Rete neurale (NN)

Una rete neurale (NN) è un modello computazionale costituito da nodi interconnessi che elabora le informazioni imitando la struttura biologica del cervello umano. mento della struttura biologica del cervello umano. Come pietra miliare della moderna Intelligenza Artificiale (IA), queste queste reti sono in grado di apprendere dai dati per riconoscere modelli, classify informazioni e prevedere risultati. Pur essendo sono un sottoinsieme del Machine Learning (ML), le reti neurali si distinguono per la loro capacità di modellare relazioni complesse e non lineari, rendendole il motore di tecnologie innovative come l'intelligenza artificiale. motore di tecnologie innovative come l'IA generativa e i sistemi l 'intelligenza artificiale generativa e i sistemi autonomi. Per saperne di più l'ispirazione biologica in questa panoramica sulle reti neurali di IBM.

Architettura di una rete neurale

La struttura di una rete neurale è composta da strati di nodi, spesso indicati come neuroni artificiali. Questi strati strati facilitano il flusso di dati dall'ingresso all'uscita attraverso una serie di trasformazioni matematiche.

• Livello di ingresso: Questo è il punto di ingresso in cui la rete riceve i dati di dati grezzi per l'addestramento, come ad esempio i valori dei pixel di un'immagine o caratteristiche numeriche da un set di dati.
• Strati nascosti: Situati tra l'ingresso e l'uscita, questi strati eseguono la maggior parte dei calcoli. calcolo. Ogni neurone di uno strato nascosto applica pesi del modello e le distorsioni che riceve in ingresso. Per decidere se un neurone deve "sparare" o far passare un segnale in avanti, una funzione di attivazione, come la funzione funzione di attivazione, come ReLU o Sigmoide - vieneapplicata.
• Strato di uscita: Lo strato finale produce la previsione della rete, come un'etichetta di classificazione (ad esempio, "gatto" o "cane") o un valore continuo. (ad esempio, "gatto" o "cane") o un valore continuo.

Per "imparare", la rete utilizza un processo chiamato formazione del modello. Durante l'addestramento, la rete confronta le sue previsioni con le risposte effettivamente corrette, utilizzando una funzione di funzione di perdita. Un algoritmo noto come backpropagation calcola quindi il gradiente dell'errore, e un algoritmo di ottimizzazione come discesa stocastica del gradiente (SGD) o Adam regola i pesi per minimizzare gli errori su più epoche.

Reti neurali e apprendimento profondo

È comune confondere le reti neurali con il Deep Learning (DL). La differenza principale sta nella complessità e profondità. Una rete neurale "superficiale" può avere solo uno o due strati nascosti. Al contrario, il Deep Learning coinvolge reti neurali "profonde" con molti strati nascosti, consentendo al modello di apprendere automaticamente caratteristiche gerarchiche. gerarchiche in modo automatico. Per un approfondimento di questa distinzione, si consiglia di leggere questa spiegazione del Deep Learning di MIT News. In pratica, tutti i modelli di Deep Learning sono reti neurali, ma non tutte le reti neurali si qualificano come Deep Learning.

Applicazioni nel mondo reale

Le reti neurali favoriscono l'innovazione in quasi tutti i settori, automatizzando compiti che prima richiedevano l'intelligenza umana. intelligenza umana.

1. Visione artificiale: Nel campo della Computer Vision (CV), reti specializzate chiamate reti neurali convoluzionali (CNN) sono utilizzate per analizzare i dati visivi. Ad esempio, Ultralytics YOLO11 utilizza un'architettura CNN profonda per rilevamento degli oggetti in tempo reale, consentendo applicazioni che vanno dall AI in agricoltura per il monitoraggio delle colture sicurezza dei veicoli autonomi.
2. Elaborazione del linguaggio naturale: Per i compiti che coinvolgono il testo e il parlato, architetture come le Reti neurali ricorrenti (RNN) e Trasformatori sono dominanti. Queste reti alimentano servizi di traduzione automatica e chatbot comprensione del contesto e della sequenza. L'impatto di questi modelli sulle industrie è visibile in questo articolo sull'IA nel settore sanitario. articolo sull'IA nel settore sanitario, dove assistono nella trascrizione delle note mediche e nell'analisi delle cartelle cliniche.

Esempio di implementazione

I moderni framework consentono di distribuire facilmente le reti neurali. Il codice Python che segue mostra come caricare una rete neurale preaddestrata (in particolare YOLO11) ed eseguire l'inferenza su un'immagine usando il metodo ultralytics pacchetto.

from ultralytics import YOLO

# Load a pretrained YOLO11 neural network model
model = YOLO("yolo11n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

Strumenti ed Ecosistema

La costruzione di reti neurali richiede librerie software robuste. PyTorch e TensorFlow sono i due framework open-source più che offrono un ampio supporto per la progettazione di architetture personalizzate e l'utilizzo dell'accelerazione della accelerazioneGPU per una formazione più rapida. Per chi è alla ricerca di un'esperienza semplificata, la piattaformaUltralytics (in fase di lancio completo nel 2026) fornisce un ambiente completo per la gestione dei set di dati, l'addestramento di modelli come YOLO11 e la gestione della distribuzione. Per capire l'hardware che alimenta queste reti, date un'occhiata a la guida diNVIDIA al GPU Computing.