Настраивайтесь на YOLO Vision 2025!
25 сентября 2025 г.
10:00 — 18:00 BST
Гибридное мероприятие
Yolo Vision 2024
Глоссарий

Нейронная сеть (NN)

Откройте для себя мощь нейронных сетей — ключа к инновациям в AI и ML, таким как компьютерное зрение, NLP и прорывы в глубоком обучении.

Нейронная сеть (NN) — это вычислительная модель, вдохновленная структурой и функциями человеческого мозга. Она составляет основу большинства моделей глубокого обучения (DL) и является фундаментальной концепцией в современном искусственном интеллекте (AI). NN предназначены для распознавания закономерностей в данных путем обработки информации через взаимосвязанные слои узлов или «нейронов». Эта структура позволяет им учиться на огромных объемах данных, что делает их невероятно мощными для решения сложных задач, таких как распознавание изображений и обработка естественного языка (NLP).

Как работают нейронные сети?

Нейронная сеть состоит из трех основных типов слоев: входного слоя, одного или нескольких скрытых слоев и выходного слоя. Каждый слой содержит нейроны, которые соединены с нейронами в последующем слое.

  1. Входной слой: Этот слой получает исходные данные, такие как пиксели изображения или слова в предложении.
  2. Скрытые слои: Это промежуточные слои между входом и выходом. Здесь происходит большая часть вычислений. Каждый нейрон применяет математическое преобразование к своим входным данным, которое включает в себя изучение весов модели и функцию активации, такую как ReLU или Sigmoid, для определения своего выхода. Сети с несколькими скрытыми слоями известны как "глубокие" нейронные сети.
  3. Выходной слой (Output Layer): Этот финальный слой выдает результат, такой как метка классификации или прогнозируемое значение.

Процесс обучения, известный как тренировка, включает в себя передачу в сеть больших наборов данных. Сеть делает прогноз, сравнивает его с фактическим результатом и вычисляет ошибку, используя функцию потерь. Затем она использует алгоритм, называемый обратным распространением ошибки, чтобы скорректировать веса своих связей, чтобы минимизировать эту ошибку на протяжении многих итераций или эпох. Этот процесс управляется алгоритмом оптимизации, таким как Adam.

Нейронные сети в сравнении со смежными концепциями

Важно отличать нейронные сети от других связанных терминов:

  • Машинное обучение и нейронные сети: Машинное обучение (ML) — это широкая область искусственного интеллекта, а NN — всего лишь один из типов моделей ML. Другие модели ML включают деревья решений и машины опорных векторов (SVM), которые не используют многослойную нейронную архитектуру.
  • Глубокое обучение vs. Нейронные сети: Глубокое обучение - это подобласть машинного обучения, которая конкретно использует глубокие нейронные сети — НС с множеством скрытых слоев. Следовательно, все системы глубокого обучения основаны на НС, но простая НС только с одним скрытым слоем может не считаться «глубокой».

Типы и применение нейронных сетей

Нейронные сети невероятно универсальны и были адаптированы в различные специализированные архитектуры. Вот два ключевых примера:

  1. Компьютерное зрение (CV): Сверточные нейронные сети (CNN) являются доминирующей силой в компьютерном зрении.

  2. Обработка естественного языка (NLP): Нейронные сети, включая рекуррентные нейронные сети (RNN) и трансформеры, произвели революцию в способах обработки языка машинами.

    • Машинный перевод: Такие сервисы, как Google Translate, полагаются на сложные NN для автоматического перевода текста между языками с поразительной точностью.
    • Анализ тональности: Предприятия используют нейронные сети для анализа отзывов клиентов и комментариев в социальных сетях, чтобы определить эмоциональный тон (положительный, отрицательный или нейтральный), как объясняется в этом обзоре анализа тональности от IBM.

Инструменты и фреймворки

Разработка NNs стала доступной благодаря мощным инструментам и фреймворкам.

  • Библиотеки: Фреймворки, такие как PyTorch и TensorFlow, предоставляют основные строительные блоки для создания и обучения нейронных сетей. Вы можете узнать больше на официальных сайтах PyTorch и TensorFlow.
  • Платформы: Ultralytics HUB предлагает интегрированную платформу для обучения моделей YOLO, управления наборами данных и упрощения процесса развертывания моделей.
  • Предварительно обученные модели: Многие исследователи и разработчики начинают с предварительно обученных моделей, доступных в хабах, таких как Hugging Face, или в экосистеме Ultralytics. Эти модели часто требуют только тонкой настройки на конкретном наборе данных, что позволяет значительно сэкономить время и вычислительные ресурсы. Вы можете найти сравнения различных моделей YOLO в нашей документации.

Присоединяйтесь к сообществу Ultralytics

Присоединяйтесь к будущему ИИ. Общайтесь, сотрудничайте и развивайтесь вместе с мировыми новаторами

Присоединиться сейчас
Ссылка скопирована в буфер обмена