तंत्रिका नेटवर्क के कुछ (सभी साधनों द्वारा)

कल, मैंने लेख में तंत्रिका नेटवर्क (बाद में एनएस के रूप में संदर्भित) के बारे में कुछ विचारों को लिखा था और इसे बहुत सटीक रूप से नाम नहीं देने की प्रतिज्ञा थी, जो मेरी प्रतिभा के प्रशंसकों के आकर्षक उत्साह से बच नहीं पाए, जिन्होंने मुझे एक चालाक और जोर से हेडलाइन के साथ उन पर पढ़ने का आरोप लगाया। एक उत्कृष्ट कृति। इसलिए, इस लेख में अनुचित उम्मीदों की कड़वाहट की भरपाई करने के लिए, मैं नेशनल असेंबली के आवेदन के कुछ क्षेत्रों पर एक सख्त लेकिन निष्पक्ष सार्वजनिक प्रतिबिंब की अदालत में प्रस्तुत करता हूं।



तो, एनएस का दायरा। मुझे ऐसा लगता है कि कुछ समय बाद यह शीर्षक "गणित के अनुप्रयोग के क्षेत्रों" की तरह लगेगा, सबसे पहले, गणित के आवेदन का क्षेत्र अत्यंत व्यापक है, और दूसरी बात, यह निर्दिष्ट नहीं है कि हम किस विशेष उप-गणित के बारे में बात कर रहे हैं। तंत्रिका नेटवर्क का उपयोग अनगिनत क्षेत्रों में किया जाएगा, उनके आर्किटेक्चर के कई रूप होंगे और वे हमारे मस्तिष्क के समान सभी कार्यों को हल करने में सक्षम होंगे, क्योंकि वे एक समान सिद्धांत पर निर्मित होते हैं।

आखिरी पैराग्राफ में, मैंने कुछ भी नहीं कहा कि वे इन समस्याओं को हल करने में सक्षम होंगे और कंप्यूटर की किस विशेषताओं के तहत। यहां तक ​​कि अगर एनएस का प्रदर्शन मस्तिष्क की उत्पादकता के बराबर है (जो कि रे कुर्ज़वील के अनुसार, दशकों की बात है), हम अभी भी नहीं जानते हैं कि मस्तिष्क कैसे काम करता है और क्या इसके हिस्से पूर्व प्रशिक्षित हैं। यहाँ मेरा मतलब है कि लाखों सालों से विकसित "जेनेटिक मेमोरी"। यही है, मानव मस्तिष्क में न्यूरॉन्स में बांडों की संरचना और उनकी ताकत (एनएस में वजन - पढ़ें) को तुरंत जन्म के समय सेट किया जा सकता है, और जीवन के दौरान वे एक विशिष्ट वातावरण के अनुकूल होते हैं। उदाहरण के लिए, नोआम चॉम्स्की (एक प्रसिद्ध भाषाविद्) का मानना ​​है कि भाषा का कुछ व्याकरण (ओओपी के संदर्भ में भाषा का आधार वर्ग, यदि आप होगा) पहले से ही जन्म के समय सिर में है। लेकिन चलो एक कम दूर के भविष्य और यहां तक ​​कि वर्तमान पर विचार करें।

तंत्रिका नेटवर्क को मशीन सीखने की तकनीक के रूप में संदर्भित किया जाता है, जाहिर है इस तथ्य के कारण कि डेटा पर प्रशिक्षण (पैरामीटर सेटिंग) एक अभिन्न अंग है। तदनुसार, तंत्रिका नेटवर्क समस्याओं को हल कर सकते हैं जो मशीन सीखने से संबंधित हैं, अर्थात्: वर्गीकरण, प्रतिगमन, क्लस्टरिंग। NS का उपयोग सुदृढीकरण सीखने के कार्यों में भी किया जा सकता है। ऐसी तकनीकों का उपयोग निर्णय लेने की प्रणालियों में किया जाता है। उदाहरण के लिए, Google द्वारा खरीदी गई कंपनी डीपब्रेन ने सिर्फ NS को वीडियो गेम खेलना सिखाया। बल्कि, उनके एनएस ने अपने दम पर सीखा, बस स्क्रीन को देख रहा था। इसी तरह के एनएस एक कार चला सकते हैं। लेकिन इस सब के बारे में बहुत कुछ लिखा गया है, और मैं अन्य लोगों के विचारों को पुनः प्राप्त करने में बिंदु को नहीं देखता हूं।

मैं एनएस के आवेदन क्षेत्रों का वर्णन करना चाहता हूं कि यह एनएस किस तरह के डेटा पर निर्भर करता है: संख्या, चित्र, पाठ, ध्वनियां, भाषण, वीडियो।

विभिन्न नेटवर्क आर्किटेक्चर विभिन्न डेटा के साथ अच्छी तरह से काम करते हैं। उदाहरण के लिए, संवादात्मक नेटवर्क छवियों के लिए उपयोग किया जाता है, और भाषण मान्यता के लिए आवर्तक होते हैं। उनका उपयोग प्राकृतिक भाषा प्रसंस्करण के लिए भी किया जाता है: मशीन अनुवाद कार्यों, संवाद प्रणालियों में। पूर्वानुमान, सन्निकटन और प्रतिगमन समस्याओं में "संख्या" डेटा प्रकार के लिए (यह सब, अनौपचारिक रूप से बोलते हुए, इस तथ्य के लिए नीचे आता है कि कुछ फ़ंक्शन है जो एनएस का उपयोग करके तैयार किया गया है), आप मानक मल्टीलेयर पर्सेप्ट्रॉन का उपयोग कर सकते हैं।

आइए आज हम केवल छवि प्रसंस्करण के लिए एनएस के आवेदन के क्षेत्रों तक खुद को सीमित करते हैं, अन्य प्रकार के डेटा के लिए कई उपमाएं खींची जा सकती हैं।


इस प्रकार,

1. आप छवि (वर्गीकरण कार्य) पर कुछ परिभाषित करने के लिए एनएस का उपयोग कर सकते हैं। यह एक हस्तलिखित आकृति हो सकती है, एक बिल्ली, एक कुत्ता, एक चेहरा या एक ट्यूमर - एनएस वैसे भी। तदनुसार, यह उन क्षेत्रों में लागू किया जा सकता है जहां आपके पास चित्र (फोटोग्राफ) और आपकी रुचि की वस्तु है। भावनाओं की पहचान, सड़क के संकेतों की पहचान, कार नंबर, नक्शों पर गुप्त वस्तुएं, जो भी हो।
   
   
2. NS छवि को स्टाइल कर सकता है। केडीपीवी पर एक उदाहरण देखा जा सकता है। प्रसिद्ध कलाकारों के चित्रों में एनएस को प्रशिक्षित करें, और फिर अपनी तस्वीर को चुने हुए शैली में बदलें। उदाहरण के लिए, प्रज़्मा ऐसा करती है (मुझे आश्चर्य है कि अगर वे मुझे विज्ञापन के लिए भुगतान करेंगे?)। वीडियो के लिए कुछ ऐसा ही है MSQRD, जिसे फेसबुक ने खरीदा था। भाषण के लिए, कोई इसके विरूपण की कल्पना कर सकता है। खैर, ध्वनियों के लिए - संगीत का शैलीकरण।
   
   
3. NS आप के समान वस्तुओं के लिए अन्य छवियों के बीच खोज कर सकता है। उदाहरण के लिए, FindFace.ru। जैसा कि मैं इसे समझता हूं, नतालिया एफ्रेमोवा, जिन्होंने नेशनल असेंबली पर एक रिपोर्ट बनाई और जिसका लेख हैबे पर है, इसमें काम करता है।
   
   
4. NS नई छवियाँ उत्पन्न कर सकता है। नए ग्रंथ लिखने के लिए, संगीतमय रचनाएँ बनाने के लिए। विचार सरल और सुरुचिपूर्ण है: आप एनएस को प्रशिक्षित करते हैं, और फिर इनपुट के साथ आउटपुट को उल्टा करते हैं।
   
   
   
   तस्वीर इतनी प्रासंगिक नहीं है।
   
   
5. नेशनल असेंबली समझ सकती है कि तस्वीर में वास्तव में क्या दिखाया गया है, जो कि अर्थ विज्ञान को निर्धारित करने के लिए है - अर्थ। इसलिए नेशनल असेंबली न केवल यह कह सकती है कि वह व्यक्ति फोटो में है, बल्कि पूरे दृश्य को शब्दों के साथ वर्णन करता है: एक लाल ब्लाउज में एक लड़की एक बिल्ली को पथपा रही है।

तंत्रिका नेटवर्क स्मृति के रूप में काम कर सकते हैं, वे संकेत, छवियों के कुछ हिस्सों को याद करते हैं। यह डेटा संपीड़न के लिए या हैश फ़ंक्शन के रूप में उपयोग किया जा सकता है। और हैश फ़ंक्शन की बात करते हुए, कोई भी क्रिप्टोग्राफी में एनएस के उपयोग का उल्लेख करने में विफल नहीं हो सकता है। NS का उपयोग डेटा एन्क्रिप्ट करने के लिए किया जा सकता है। मुझे नहीं पता कि क्या कोई मौजूदा कार्यान्वयन या विचार हैं, लेकिन किसी तरह मैंने सोचा कि एनएस का उपयोग क्रिप्टोकरंसी के लिए भी किया जा सकता है: उसे एन्क्रिप्टेड पाठ के एक सेट पर प्रशिक्षित करने के लिए - सादा पाठ, और फिर उसे एक नया एन्क्रिप्टेड पाठ दें और उम्मीद है कि डिक्रिप्शन प्राप्त करें, इसलिए इसके अंदर यह प्रमुख मापदंडों के साथ एन्क्रिप्शन एल्गोरिथ्म के संचालन का अनुमान लगाता है।

ये नेशनल असेंबली के आवेदन के कुछ (सभी नहीं) क्षेत्र थे।
आपका ध्यान के लिए धन्यवाद!