Rete neurale (NN)

Come funzionano le reti neurali?

Una rete neurale è composta da tre tipi principali di strati: uno strato di ingresso, uno o più strati nascosti e uno strato di uscita. Ogni strato contiene neuroni che sono collegati ai neuroni dello strato successivo.

1. Livello di ingresso: Questo livello riceve i dati iniziali, come i pixel di un'immagine o le parole di una frase.
2. Strati nascosti: Sono gli strati intermedi tra l'ingresso e l'uscita. È qui che avviene la maggior parte della computazione. Ogni neurone applica una trasformazione matematica ai suoi input, che comporta l'apprendimento dei pesi del modello e di una funzione di attivazione come ReLU o Sigmoid per determinare la sua uscita. Le reti con più strati nascosti sono note come reti neurali "profonde".
3. Strato di uscita: Questo livello finale produce il risultato, come un'etichetta di classificazione o un valore previsto.

Il processo di apprendimento, noto come addestramento, prevede l'alimentazione della rete con grandi insiemi di dati. La rete fa una previsione, la confronta con il risultato effettivo e calcola un errore utilizzando una funzione di perdita. Utilizza quindi un algoritmo chiamato backpropagation per regolare i pesi delle connessioni in modo da minimizzare l'errore nel corso di molte iterazioni, o epoche. Questo processo è guidato da un algoritmo di ottimizzazione come Adam.

Reti neurali e concetti correlati

È importante distinguere le NN da altri termini correlati:

• Apprendimento automatico e reti neurali: L 'apprendimento automatico (ML) è un campo ampio dell'IA e le NN sono solo un tipo di modello ML. Altri modelli di ML sono gli alberi decisionali e le macchine a vettori di supporto (SVM), che non utilizzano l'architettura a strati dei neuroni.
• Apprendimento profondo e reti neurali: L 'apprendimento profondo è un sottocampo del ML che utilizza specificamente reti neurali profonde, ovvero reti neurali con molti strati nascosti. Pertanto, tutti i sistemi di apprendimento profondo sono basati sulle reti neurali, ma una semplice rete neurale con un solo strato nascosto potrebbe non essere considerata "profonda".

Tipi e applicazioni delle reti neurali

Le reti neurali sono incredibilmente versatili e sono state adattate in varie architetture specializzate. Ecco due esempi chiave:

1. Visione artificiale (CV): Le reti neurali convoluzionali (CNN) sono la forza dominante nella computer vision.

   • Rilevamento dell'oggetto: Modelli come Ultralytics YOLO11 utilizzano le CNN per identificare e localizzare gli oggetti all'interno di un'immagine utilizzando i riquadri di delimitazione. Questo aspetto è fondamentale per applicazioni come l'IA nelle auto a guida autonoma e la gestione dell'inventario guidata dall'IA.
   • Segmentazione delle immagini: Le NN possono classificare ogni pixel di un'immagine per consentire una comprensione dettagliata della scena per compiti come l'analisi di immagini mediche. È possibile esplorare le attività di segmentazione con la documentazione di Ultralytics.

2. Elaborazione del linguaggio naturale (NLP): Le NN, comprese le reti neurali ricorrenti (RNN) e i trasformatori, hanno rivoluzionato il modo in cui le macchine elaborano il linguaggio.

   • Traduzione automatica: Servizi come Google Translate si basano su complesse NN per tradurre automaticamente il testo tra le lingue con una notevole precisione.
   • Analisi del sentimento: Le aziende utilizzano le NN per analizzare le recensioni dei clienti e i commenti sui social media per determinare il tono emotivo (positivo, negativo o neutro), come spiegato in questa panoramica sulla sentiment analysis di IBM.

Strumenti e strutture

Lo sviluppo di NN è reso accessibile da potenti strumenti e framework.

• Librerie: Framework come PyTorch e TensorFlow forniscono gli elementi essenziali per la creazione e l'addestramento delle NN. Per saperne di più, consultare i siti web ufficiali di PyTorch e TensorFlow.
• Piattaforme: Ultralytics HUB offre una piattaforma integrata per l'addestramento dei modelli YOLO, la gestione dei set di dati e la semplificazione del processo di distribuzione dei modelli.
• Modelli pre-addestrati: Molti ricercatori e sviluppatori iniziano con modelli pre-addestrati disponibili presso hub come Hugging Face o all'interno dell'ecosistema Ultralytics. Questi modelli spesso richiedono solo una messa a punto su un set di dati specifico, con un notevole risparmio di tempo e risorse computazionali. Nella nostra documentazione è possibile confrontare i diversi modelli YOLO.