Sinir Ağı (NN)

Bir Sinir Ağı (NN), bilgiyi aşağıdaki yöntemlerle işleyen birbirine bağlı düğümlerden oluşan bir hesaplama modelidir insan beyninin biyolojik yapısını taklit eder. Modern çağın temel taşlarından biri olarak Yapay Zeka (AI), bunlar ağları, örüntüleri tanımak, bilgileri classify ve sonuçları tahmin etmek için verilerden öğrenme yeteneğine sahiptir. Bir yandan Makine Öğreniminin (ML) bir alt kümesidir, Sinir ağları, karmaşık, doğrusal olmayan ilişkileri modelleme yetenekleri ile kendilerini ayırt eder ve onları gibi çığır açan teknolojilerin arkasındaki motor üretken yapay zeka ve otonom sistemler. Okuyabilirsiniz bu biyolojik ilham hakkında daha fazla bilgi IBM tarafından sinir ağlarına genel bakış.

Sinir Ağının Mimarisi

Bir sinir ağının yapısı, genellikle yapay nöronlar olarak adlandırılan düğüm katmanlarından oluşur. Bunlar katmanlar, bir dizi matematiksel dönüşüm yoluyla verilerin girişten çıkışa akışını kolaylaştırır.

• Giriş Katmanı: Bu, ağın ham verileri aldığı giriş noktasıdır. bir görüntüden alınan piksel değerleri gibi eğitim verileri veya bir veri kümesinden sayısal özellikler.
• Gizli Katmanlar: Giriş ve çıkış arasında yer alan bu katmanlar, işlemin büyük kısmını gerçekleştirir. hesaplama. Gizli katmandaki her nöron model ağırlıkları ve önyargıları aldığı girdiye göre ayarlar. Bir nöronun "ateşlenip ateşlenmeyeceğine" veya bir sinyali iletip iletmeyeceğine karar vermek için aktivasyon fonksiyonu - örneğin ReLU veya Sigmoid-uygulanır.
• Çıktı Katmanı: Son katman, bir sınıflandırma etiketi gibi ağın tahminini üretir (örneğin, "kedi" ve "köpek") veya sürekli bir değer.

"Öğrenmek" için ağ, "öğrenme" adı verilen bir süreç kullanır. model eğitimi. Eğitim sırasında, ağ kendi kullanarak tahminleri gerçek doğru cevaplara kayıp fonksiyonu. Olarak bilinen bir algoritma geri yayılım daha sonra hata gradyanını hesaplar, ve aşağıdaki gibi bir optimizasyon algoritması stokastik gradyan inişi (SGD) ya da Adam , birden fazla hata üzerinde hataları en aza indirmek için ağırlıkları ayarlar. çağlar.

Sinir Ağları ve Derin Öğrenme

Sinir Ağları'nı aşağıdakilerle karıştırmak yaygındır Derin Öğrenme (DL). Temel fark şurada yatmaktadır karmaşıklık ve derinlik. "Sığ" bir sinir ağı yalnızca bir veya iki gizli katmana sahip olabilir. Buna karşılık, Derin Öğrenme, birçok gizli katmana sahip "derin" sinir ağlarını içerir ve modelin hiyerarşik öğrenmesine olanak tanır özelliklerine otomatik olarak sahiptir. Bu ayrımı daha derinlemesine incelemek için şunu keşfedin MIT News tarafından Derin Öğrenme açıklaması. Pratikte, tüm Derin Öğrenme modelleri Sinir Ağlarıdır, ancak tüm Sinir Ağları Derin Öğrenme olarak nitelendirilmez.

Gerçek Dünya Uygulamaları

Sinir ağları, daha önce insan gerektiren görevleri otomatikleştirerek hemen hemen her sektörde yeniliği teşvik eder zeka.

1. Bilgisayarla Görme: Bu alanda Bilgisayarlı Görme (CV), özel ağlar aradı Evrişimsel Sinir Ağları (CNN'ler) görsel verileri analiz etmek için kullanılır. Örneğin, Ultralytics YOLO11 için derin bir CNN mimarisi kullanır gerçek zamanlı nesne algılama, mümkün kılan arasında değişen uygulamalar Ürün izleme için tarımda yapay zeka otonom araçlarda güvenlik özellikleri.
2. Doğal Dil İşleme: Metin ve konuşma içeren görevler için, aşağıdaki gibi mimariler Tekrarlayan Sinir Ağları (RNN'ler) ve Transformatörler baskındır. Bu ağlar güç sağlar tarafından makine çevirisi hizmetleri ve chatbotlar bağlamı ve sıralamayı anlamak. Bu modellerin sektörleri nasıl etkilediğini şurada görebilirsiniz yardımcı oldukları sağlık hizmetlerinde yapay zeka üzerine makale Tıbbi notların yazıya dökülmesinde ve hasta kayıtlarının analizinde.

Uygulama Örneği

Modern çerçeveler, sinir ağlarını dağıtmayı kolaylaştırır. Aşağıdaki Python kodu, bir Python kodunun nasıl yükleneceğini göstermektedir önceden eğitilmiş sinir ağını (özellikle YOLO11) kullanarak bir görüntü üzerinde çıkarım ultralytics Paket.

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()

Araçlar ve Ekosistem

Sinir ağları oluşturmak için sağlam yazılım kütüphaneleri gerekir. PyTorch ve TensorFlow en popüler iki açık kaynak çerçeveler, özel mimariler tasarlamak için kapsamlı destek sunar ve Daha hızlı eğitim için GPU hızlandırma. Kolaylaştırılmış bir deneyim arayanlar için Ultralytics Platformu (2026'da tamamen piyasaya sürülecek) veri kümelerini yönetmek için kapsamlı bir ortam sağlar, YOLO11 gibi eğitim modelleri ve dağıtımın ele alınması. Bu ağlara güç veren donanımı anlamak için şu adrese göz atın NVIDIA'nın GPU bilişim kılavuzu.