Нейронная сеть (НС)

Нейронная сеть (НС) - это вычислительная модель, созданная на основе структуры и функций человеческого мозга. Она составляет основу большинства моделей глубокого обучения (ГОО) и является фундаментальной концепцией современного искусственного интеллекта (ИИ). NN предназначены для распознавания закономерностей в данных путем обработки информации через взаимосвязанные слои узлов, или "нейронов". Такая структура позволяет им обучаться на огромных объемах данных, что делает их невероятно мощными для таких сложных задач, как распознавание образов 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. Именно здесь происходит большая часть вычислений. Каждый нейрон применяет математическое преобразование к своим входам, что включает в себя обучение весов модели и функции активации, такой как ReLU или Sigmoid, для определения своего выхода. Сети с несколькими скрытыми слоями известны как "глубокие" нейронные сети.
3. Выходной слой: Этот последний слой выдает результат, например классификационную метку или предсказанное значение.

Процесс обучения, известный как тренировка, включает в себя подачу сети больших массивов данных. Сеть делает прогноз, сравнивает его с фактическим результатом и вычисляет ошибку с помощью функции потерь. Затем она использует алгоритм обратного распространения для настройки весов своих связей, чтобы минимизировать эту ошибку в течение многих итераций, или эпох. Этот процесс направляется алгоритмом оптимизации, например Adam.

Нейронные сети в сравнении со смежными понятиями

Важно отличать NN от других родственных терминов:

• Машинное обучение против нейронных сетей: Машинное обучение (МОО) - это обширная область ИИ, и НС - это лишь один из типов моделей МОО. Другие модели ML включают деревья решений и машины векторов поддержки (SVM), которые не используют архитектуру слоистых нейронов.
• Глубокое обучение против нейронных сетей: Глубокое обучение - это область ML, в которой используются глубокие нейронные сети - NN с большим количеством скрытых слоев. Таким образом, все системы глубокого обучения основаны на NN, но простая NN с одним скрытым слоем не может считаться "глубокой".

Типы и области применения нейронных сетей

Нейронные сети невероятно универсальны и были адаптированы к различным специализированным архитектурам. Вот два ключевых примера:

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

   • Обнаружение объекта: Такие модели, как Ultralytics YOLO11, используют CNN для идентификации и определения местоположения объектов на изображении с помощью ограничительных рамок. Это очень важно для таких приложений, как ИИ в самоуправляемых автомобилях и управление запасами на основе ИИ.
   • Сегментация изображений: NN могут классифицировать каждый пиксель в изображении, что позволяет детально понять сцену для таких задач, как анализ медицинских изображений. Вы можете изучить задачи сегментации в документации Ultralytics.

2. Обработка естественного языка (NLP): НС, включая рекуррентные нейронные сети (РНС) и трансформеры, произвели революцию в обработке языка машинами.

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

Инструменты и фреймворки

Разработка NNs стала доступной благодаря мощным инструментам и фреймворкам.

• Библиотеки: Такие фреймворки, как PyTorch и TensorFlow, предоставляют необходимые строительные блоки для создания и обучения NN. Более подробную информацию вы можете получить 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 таких центрах, как Hugging Face, или в экосистеме Ultralytics. Эти модели часто требуют только тонкой настройки на определенном наборе данных, что позволяет сэкономить значительное время и вычислительные ресурсы. Сравнение различных моделей YOLO можно найти в нашей документации.