Нейронная сеть (NN)

Нейронная сеть (НС) - это вычислительная модель, состоящая из взаимосвязанных узлов, которая обрабатывает информацию, имитируя биологическую структуру человеческого мозга. имитируя биологическую структуру человеческого мозга. Являясь краеугольным камнем современного искусственного интеллекта (ИИ), эти Сети способны обучаться на основе данных, распознавая закономерности, classify информацию и предсказывая результаты. Хотя они являются подмножеством машинного обучения (ML), нейронные сети отличаются своей способностью моделировать сложные, нелинейные взаимосвязи, что делает их двигателем таких прорывных технологий, как генеративный ИИ и автономные системы. Вы можете прочитать подробнее о биологическом вдохновении в этом обзоре нейронных сетей от IBM.

Архитектура нейронной сети

Структура нейронной сети состоит из слоев узлов, часто называемых искусственными нейронами. Эти Эти слои обеспечивают передачу данных от входа к выходу с помощью ряда математических преобразований.

• Входной слой: Это точка входа, где сеть получает необработанные обучающие данные, такие как значения пикселей из изображения или числовые характеристики из набора данных.
• Скрытые слои: Расположенные между входом и выходом, эти слои выполняют основную часть вычислений. Каждый нейрон в скрытом слое применяет весовые коэффициенты модели и смещения к входным данным, которые он получает. Чтобы решить, должен ли нейрон "выстрелить" или передать сигнал дальше, используется функция активации, например ReLU или Сигмоид.
• Выходной слой: Последний слой выдает предсказание сети, такое как классификационная метка (например, "кошка" против "собаки") или непрерывное значение.

Чтобы "научиться", сеть использует процесс, называемый обучение модели. Во время обучения сеть сравнивает свои прогнозы с фактическими правильными ответами, используя функции потерь. Алгоритм, известный как обратного распространения, вычисляет градиент ошибки, и алгоритм оптимизации, такой как стохастический градиентный спуск (SGD) или Adam , корректирует веса для минимизации ошибок в течение нескольких эпох.

Нейронные сети против глубокого обучения

Нейронные сети часто путают с Глубокое обучение (ГОО). Основное различие заключается в сложности и глубине. Неглубокая" нейронная сеть может иметь всего один или два скрытых слоя. В отличие от этого, глубокое обучение включает в себя "глубокие" нейронные сети с большим количеством скрытых слоев, что позволяет модели обучаться иерархическим иерархические характеристики автоматически. Чтобы глубже понять это различие, изучите следующее объяснение Deep Learning от MIT News. Практически все модели глубокого обучения являются нейронными сетями, но не все нейронные сети можно отнести к глубокому обучению.

Применение в реальном мире

Нейронные сети способствуют инновациям практически во всех отраслях промышленности, автоматизируя задачи, для решения которых раньше требовался человеческий интеллект. интеллекта.

1. Компьютерное зрение: В области Компьютерное зрение (КЗ), специализированные сети называемые Конволюционные нейронные сети (КНС) используются для анализа визуальных данных. Например, Ultralytics YOLO11 использует архитектуру глубокого CNN для обнаружения объектов в режиме реального времени, что позволяет различные приложения, начиная от ИИ в сельском хозяйстве для мониторинга урожая до безопасности в автономных транспортных средствах.
2. Обработка естественного языка: Для задач, связанных с текстом и речью, используются такие архитектуры, как рекуррентные нейронные сети (РНС) и Трансформаторы являются доминирующими. Эти сети обеспечивают работу сервисы машинного перевода и чат-боты за счет понимая контекст и последовательность. О том, как эти модели влияют на отрасли, вы можете узнать из этой статье об ИИ в здравоохранении, где они помогают в расшифровке медицинских записей и анализе историй болезни.

Пример реализации

Современные фреймворки позволяют легко развертывать нейронные сети. Следующий код Python демонстрирует, как загрузить предварительно обученную нейронную сеть (в частности, YOLO11) и выполнить вывод на изображении с помощью функции ultralytics пакет.

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()

Инструменты и экосистема

Создание нейронных сетей требует надежных библиотек программного обеспечения. PyTorch и TensorFlow два самых популярных фреймворка с открытым исходным кодом Фреймворки предлагают широкую поддержку для создания пользовательских архитектур и использования GPU для ускорения обучения. Для тех, кто ищет более рациональный подход, платформаUltralytics Platform (будет полностью запущена в 2026 году) предоставляет комплексную среду для управления наборами данных, обучения моделей, таких как YOLO11, и развертывания. Чтобы понять, на каком оборудовании работают эти сети, ознакомьтесь с руководствоNVIDIA по вычислениям GPU .