Глубинное обучение

Глубинные нейронные сети

Глубинная нейронная сеть находит корректный метод математического преобразования с целью превращения входных данных в выходные, вне независимости от линейной или нелинейной корреляции. Такая сеть продвигается по слоям и рассчитывает вероятность каждого выхода. Например, глубинная нейронная сеть, которая обучена распознавать породы собак, пройдет заданному изображению и рассчитает вероятность того, что собака на изображении относится к определенной породе. Пользователь сети может рассмотреть результаты и выбрать вероятности, которые должна отображать сеть и вернуть в сеть приложенную метку. Каждое математическое преобразование считается одним слоем, а сложная глубинная нейронная сеть имеет большое количество слоев.

Глубинная нейронная сеть может моделировать сложные нелинейные отношения. Архитектурой глубинной нейронной сетью генерируются композиционные модели, где объект выражается в виде композиции примитивов с большим количеством уровней. Дополнительные уровни предоставляют возможность для составления элементов из более низких уровней, посредством потенциального моделирования сложных данных с меньшим количеством единиц, чем маленькая сеть с аналогичными показателями. Глубокая архитектура состоит из большого количества вариантов основных подходов. Как правило, глубинная нейронная сеть представляет собой сеть с прямой связью, где данные передаются от входного уровня к выходному без обратной связи. Сначала глубинная нейронная сеть создает виртуальную карту нейронов, а затем назначает числовые значения соединениям между ними. Числовые значения соединений и входные данные умножаются и возвращают выходной сигнал от 1 к 0. В том случае, если сеть не точно распознала шаблон, то алгоритм будет корректировать числовые значения соединений до тех пор, пока не определит те, которые правильно обрабатывают информацию.

Методы и алгоритмы глубинного обучения

Глубокое обучение характеризуется как класс алгоритмов машинного обучения, который:

• во время обучения формирует слои на нескольких уровнях представлений, соответствующие различным уровня абстракции. Слоями образуется иерархия понятий;
• использует многослойную систему нелинейных фильтров с целью извлечения признаков с преобразованиями. Каждый следующий слой на выходе получает выходные данные от предыдущего слоя. В системе глубокого обучения могут сочетаться алгоритмы обучения с учителем и без него. В данном случае анализ образца - обучение без учителя, классификация - обучение с учителем;
• является частью более широкой области машинного обучения изучения представленных данных;
• обладает несколькими слоями для выявления параметров или признаков представления данных. В данном случае признаки организованы иерархически, признаки более высокого уровня являются производными от признаков более низкого уровня.

Вышеприведенные определения констатируют следующее: наличие нескольких слоев нелинейной обработки; обучение с учителем или без учителя признаков каждого слоя, формируя иерархию к высокому уровню от низкого. К глубинному обучению относятся следующие методы, а также их вариации:

1. Определенные системы обучения с учителем, например, сверточная нейронная сеть, выведшая на новый уровень технологию распознавания образцов.
2. Рекуррентные нейронные сети, которые позволяют обучаться на процессах во времени.
3. Рекурсивные нейронные сети, которые позволяют включать обратную связь между цепочками и элементами схемы.
4. Определенные системы обучения без учителя, например, глубокая сеть доверия, автоматический кодировщик, генеративно-состязательная сеть, а также ограниченная машина Больцмана.