Jūs esate čia: Pradžia » Visos temos » Mokslas » Įdomusis mokslas |
Tai straipsnis iš rašinių ciklo. Peržiūrėti ciklo turinį
|
Dirbtino intelekto bendruomenę neseniai sujaudino MIT tyrėjų paskelbtas takusis neuroninis tinklas. Hasani ir jo komanda atliko neįtikėtiną proveržį. Aptarsime takiuosius neurotinklus ir ką jie gali atnešti kompiuteriniam regėjimui. Prisijunk prie technologijos.lt komandos! Laisvas grafikas, uždarbis, daug įdomių veiklų. Patirtis nebūtina, reikia tik entuziazmo. Sudomino? Užpildyk šią anketą!
Tiriant ir taikant dirbtinį intelektą, kuriami ir treniruojami gilūs neurotinklai. Iki atsirandant skysčio neurotinklų, visoms giliojo mokymosi sistemoms buvo būdinga tas pati silpnybė – jie mokosi iš fiksuotų vaizdų prognozuoti pagal jiems rodomus vaizdus, dėl to jie tokie jautrūs kintančiai aplinkai. Negana to, daugumą giliojo mokymosi modelių veikia, neatsižvelgdami į kontekstą. Pavyzdžiui, taikant objekto aptikimo modelį ar klasifikavimo modelį video, šis video bus apdorojamas kadras po kadro, nekreipiant dėmesio į aplinkinį kontekstą.
Šią problemą dirbtiniu intelektu užsiimantys programuotojai ir inžinieriai įprastai sprendžia, naudodami labai didelius, reprezentatyvius duomenų masyvus ir aktyvų mokymą, taip nuolat tobulindami sistemas, treniruodami jas naujai atsiradusiems ribiniams atvejams.
Tačiau visas šis nuolatinis permokymas, pertreniraviams ir perdiegimas gali varginti – ar nebūtų geriau, jeigu naudojamas tinklas mokėtų persitaikyti prie naujų scenarijų? Pasveikinkite takųjį neuroninį tinklą. Takaus neuroninio tinklo (LNT) dizainasLNT yra rekurentinio neuroninio tinklo forma, apdorojanti duomenis laiko serijomis. Rekurentiniai neurotinklai gerai pasirodė, atlikdami prognozes, paremtas tokiomis sekomis, kaip teksto srautai ar mokslinių matavimų serijos.
Kai įvesties duomenys yra seka, rekurentiniai neuroniniai tinklai yra našesni už įprastus, neturinčius ciklo, nes gali efektyviau sekti atitinkamą informaciją įvairiose sekos dalyse. LNT rekurentinį neuroninį tinklą generuoja, sukurdamas slaptas būsenas, kurios laiko atkarpoje yra dinamiškos. Kiekviename prognozės kūrimo žingsnyje LNT skaičiuoja tiek prognozuojamą rezultatą, tiek ir tolesnės slaptos būsenos formavimąsi, vystymąsi laike. Takiojo neuroninio tinklo pažadasLNT geriau pasirodo laiko serijų medliavime daugelyje sRičių – žmogaus gestų, žmonių veiklos, transporto, energijos, ozono, sekų MNIST ir užimtumo srityse. Šie pradinia rezultastai yra perpsektyvūs. Ilgalaikis LNT tikslas – suformuoti sistemą, lanksčiai prisiderinančią prie vietos ir laiko, idant tokia sistema neturėtų būti nuolat tobulinama aktyviu mokymusi. Kaip LNT veikia regą?Ilgainiui, tokios architekltūros, kaip LNT gali dramatiškai pagerinti mūsų gebėjimą treniruoti, atsparius, prisitaikančius prie kintančios aplinkos modelius. Tačiau takiųjų neurotinklų panaudojimo kompiuyerniam regėjimui dar teks gerokai luktelėti. Pirmieji eksperimentai LNT repozitorijoje yra pagrįsti tik duomenimis iš nuoseklių laiko atkarpų, o ne paremti atvaizdais ar video.
LNT skirtų duomenų pavyzdys rankų gestų periodas IšvadaTakieji neuroniniiai tiklai yra naujas rekurentinių neurotinklų proveržis, kuriantis lanksčiai prisitaikantį modelį. Tyrimas dar tebevyksta ir tikriausiai užtruks, kol išvysime šių tinklų poveikį esamoms kompiuterinės regos įgyvendinimo strategijose.
▲
|