5 मिनट में न्यूरॉन्स

5-10 मिनट पढ़ने और एक छोटे से लेख को समझने के लिए मुझे "मशीन लर्निंग" और "न्यूरल नेटवर्क" की पंक्तियों को अपने रिज्यूमे में शामिल करें? उन लोगों के लिए जो प्रोग्रामिंग से दूर हैं, मैं एआई की जटिलता के बारे में सभी मिथकों को दूर कर दूंगा और दिखाऊंगा कि मशीन लर्निंग के अधिकांश प्रोजेक्ट बेहद सरल सिद्धांतों पर बने हैं। चलो चलते हैं - हमारे पास केवल पाँच मिनट हैं।

तंत्रिका नेटवर्क के सबसे बुनियादी उदाहरण पर विचार करें - पेसेप्ट्रॉन; मैं स्वयं इस उदाहरण के बाद ही महसूस करता हूं कि तंत्रिका नेटवर्क कैसे काम करते हैं, इसलिए यदि मैं गड़बड़ नहीं करता हूं, और आप समझ सकते हैं। याद रखें: यहाँ कोई जादू नहीं है, हाई स्कूल की पाँचवीं कक्षा के स्तर पर सरल गणित।

मान लीजिए कि हमारे पास तीन अलग-अलग बाइनरी स्थितियां हैं (हां या नहीं) और आउटपुट पर एक बाइनरी समाधान (हां या नहीं):

तीन इनपुट और एक आउटपुट के साथ एक सरल मॉडल। यह मॉडल विभिन्न लोगों के लिए पूरी तरह से काम कर सकता है और उन्हें अलग-अलग परिणाम दे सकता है, यह इस बात पर निर्भर करता है कि उन्होंने तंत्रिका नेटवर्क को कैसे प्रशिक्षित किया। लेकिन एक तंत्रिका नेटवर्क क्या है? ये सिर्फ अलग-अलग ब्लॉक हैं - आपस में जुड़े हुए न्यूरॉन्स। चलो तीन न्यूरॉन्स से एक साधारण न्यूरॉन बनाते हैं:

इनपुट और आउटपुट के बीच आप जो देखते हैं वह न्यूरॉन्स हैं। अब तक वे किसी भी चीज़ से नहीं जुड़े हैं, लेकिन यह उनकी मुख्य विशेषता को भी दर्शाता है, जिसके बारे में हर कोई कहना भूल जाता है: वे एक पूरी तरह से सारगीत हैं। यही है, न्यूरॉन्स खुद को कुछ भी हल नहीं करते हैं, वास्तव में यह तय करते हैं कि हम आगे क्या आकर्षित करेंगे। इस बीच, याद रखें: मानवों के लिए अवधारणा को सरल और सरल बनाने के अलावा, न्यूरॉन्स न्यूरॉन में कुछ भी नहीं करते हैं। चलो न्यूरॉन का सबसे महत्वपूर्ण हिस्सा आकर्षित करते हैं - कनेक्शन:

वाह, यह कुछ सुपर कूल की तरह लग रहा है। अब हम कुछ जादू जोड़ेंगे, हम किसी भी तरह अपने बाएं एड़ी के साथ न्यूरॉन को प्रशिक्षित करेंगे, जगह में मोड़, हंसी, हमारे पीछे पड़ोसी के दाहिने कंधे पर काली मिर्च फेंक देंगे और सब कुछ काम करेगा, है ना? यह पता चला है कि यह अभी भी आसान है।

बाईं ओर के प्रत्येक इनपुट का एक मान है: 0 या 1, हां या नहीं। आइए इन मानों को इनपुट में जोड़ें, मान लें कि पार्टी में कोई वोदका नहीं होगी, दोस्त होंगे, इसे बारिश दें:

इसलिए, हमने इसका पता लगाया। हम आगे क्या करें? और यहाँ मज़ा है: चलो न्यूरॉन्स की प्रारंभिक स्थिति को निर्धारित करने के लिए सबसे पुराने तरीके का उपयोग करते हैं - महान यादृच्छिक:

हम जो संख्या निर्धारित करते हैं, वह बॉन्ड्स का वजन है। याद रखें कि न्यूरॉन्स बकवास हैं? तो, संचार वास्तव में एक तंत्रिका नेटवर्क के होते हैं। लेकिन बंधों के वजन क्या हैं? ये ऐसी चीजें हैं जिनके द्वारा हम इनपुट मानों को गुणा करते हैं और अस्थायी रूप से उन्हें खाली न्यूरॉन्स में संग्रहीत करते हैं। हम वास्तव में इसे स्टोर नहीं करते हैं, लेकिन सुविधा के लिए हम कल्पना करते हैं कि कुछ को न्यूरॉन्स में रखा जा सकता है:

आपको गणित कैसा लगा? गुणा कर सकता है? रुको, सबसे कठिन हिस्सा अभी शुरू हुआ है! अगला, हम मान जोड़ते हैं (एक अवधारणात्मक कार्यान्वयन में):

खैर, यह बात है! न्यूरॉन बनाया गया है, और आप इसे किसी भी आवश्यकता के लिए उपयोग कर सकते हैं। यदि राशि 0.5 से अधिक है, तो आपको पार्टी में जाने की आवश्यकता है। यदि कम या बराबर है, तो आपको पार्टी में जाने की आवश्यकता नहीं है। आपका ध्यान के लिए धन्यवाद!

बेशक, ऊपर दिए गए मॉडल का थोड़ा व्यावहारिक लाभ है, हमें इसे प्रशिक्षित करने की आवश्यकता है। भयावह वाक्यांश "ट्रेन न्यूरॉन्स" यह नहीं है? ऐसे नहीं। सब कुछ अनाड़ी और जितना संभव हो उतना सरल है: आप यादृच्छिक इनपुट डेटा लेते हैं (जैसा कि हमने किया था), इन तीन न्यूरॉन्स के माध्यम से इनपुट चलाएं, उत्तर देखें - इसे सकारात्मक रहने दें (पार्टी में जाएं) - और जांचें कि क्या न्यूरॉन ने उत्तर की सही भविष्यवाणी की है या नहीं । अगर सही है, तो कुछ न करें। यदि यह गलत है, तो आप किसी भी दिशा में न्यूरॉन्स के वजन (एक समय में या एक बार में सभी) को थोड़ा शिफ्ट करते हैं। उदाहरण के लिए, इस तरह:

और फिर से आप जांच करते हैं: ओह, ठीक है, फिर से वह पार्टी में जाने के लिए कहता है, जब मैं वहां नहीं जाना चाहता! और आप फिर से वेट को थोड़ा शिफ्ट करते हैं (उसी दिशा में, सबसे अधिक संभावना है) थोड़ा सा, और फिर इन इनपुट डेटा को न्यूरॉन्स के माध्यम से पास करें, और फिर से परिणाम की तुलना करें - और या तो अकेले वेट छोड़ दें या उन्हें फिर से स्थानांतरित करें। और इसलिए खरब, क्वाड्रिलियन समय और सभी तरह के इनपुट डेटा के साथ। यहां, निश्चित रूप से, हमारे पास केवल 8 इनपुट संयोजन हैं, लेकिन विभिन्न कार्य हैं (नीचे उनके बारे में अधिक)।

यह तंत्रिका नेटवर्क के काम का मुख्य सिद्धांत है - विभेदन के लिए गुणा दोनों आवश्यक है, और अवधारणात्मक नेटवर्क, और पुनरावर्ती न्यूरॉन्स और यहां तक ​​कि कुछ विदेशी खेल बनाने के लिए अवधारणात्मक के कार्य की समझ आवश्यक है।

नतीजतन, एक व्यक्ति द्वारा किए गए निर्णयों पर एक न्यूरॉन को प्रशिक्षित करना, उन पर अरबों बार चलना, न्यूरॉन्स के सभी संभावित वजन से गुजरना, आप अंत में एक सुनहरे और इष्टतम मध्य में पहुंचेंगे ताकि एक व्यक्ति तीन प्रारंभिक मूल्यों में प्रवेश करे - और मशीन इसे चलाता है पहले से ही स्थिर और तीन न्यूरॉन्स के साथ काम करने का सूत्र और एक जवाब देता है।

हमारे भीतर केवल तीन अज्ञात न्यूरॉन कनेक्शन के वजन थे, और यह ठीक है कि हम खत्म हो गए थे। इसलिए, मैं कहता हूं कि न्यूरॉन्स डमी हैं जो कुछ भी हल नहीं करते हैं, और एक भोज के राजा कनेक्शन के वजन हैं।

फिर सब कुछ सरल है: न्यूरॉन्स की एक परत के बजाय, हम दो करते हैं और फिर से हम हर चीज के माध्यम से छाँटते हैं ठीक उसी सिद्धांत के अनुसार, सभी न्यूरॉन्स पहले से ही अन्य न्यूरॉन्स को मान देते हैं। यदि पहले हमारे पास केवल 3 कनेक्शन थे, तो अब 3 + 9 कनेक्शन वजन के साथ। और फिर तीन परतें, चार, पुनरावर्ती परतें, खुद और इस तरह के खेल पर तय की गईं:

लेकिन, मुझसे पूछो, वे कहते हैं, न्यूरॉन्स में कुछ जटिल का परिणाम क्या है? मशीन सीखने के विशेषज्ञों को इतना भुगतान क्यों किया जाता है? और बात यह है कि ऊपर दिए गए अवधारणों को कैसे लागू किया जाए: बहुत सारे अलग-अलग बारीकियों को सूचीबद्ध करने के लिए आपको परेशान किया जाता है।

क्या होगा यदि प्रवेश द्वार पर आपके पास एक तस्वीर है और आपको कुत्तों और बिल्लियों पर सभी चित्रों को वर्गीकृत करने की आवश्यकता है? चित्र 512x512 आकारों में हैं, प्रत्येक पिक्सेल एक इनपुट है - तो हम न्यूरॉन्स के साथ कितने मूल्यों का पीछा करेंगे? इसके लिए दृढ़ न्यूरॉन्स हैं! यह एक ऐसा shnyaga है जो उदाहरण के लिए एक दूसरे के बगल में 9 पिक्सेल लेता है, और अपने RGB मानों को औसत करता है। यह पता चला है, तेजी से प्रसंस्करण के लिए तस्वीर को संपीड़ित करता है। या, उदाहरण के लिए, तस्वीर में लाल रंग से पूरी तरह से छुटकारा मिल जाता है, क्योंकि यह महत्वपूर्ण नहीं है (हम देख रहे हैं, उदाहरण के लिए, केवल हरे-नीले कपड़े)। ये दृश्य नेटवर्क हैं - इनपुट पर "न्यूरॉन्स" की एक अतिरिक्त परत जो इनपुट को उस दृश्य के लिए संसाधित करती है जो नेटवर्क के लिए स्पष्ट और सरल है।

आपको यह समझने की भी आवश्यकता है कि वजन को किस दिशा में और किस दिशा में स्थानांतरित करना है - इसके लिए समझने के लिए सभी प्रकार के सरल एल्गोरिदम हैं, जो अंत से त्रुटि पर विचार करते हैं - दाएं से (परिणाम से) बाईं ओर (न्यूरॉन्स की पहली परत तक) - एल्गोरिदम में से एक को बैक प्रोपगेशन कहा जाता है।

मूल्यों को सामान्य करने के लिए सभी प्रकार के लानत सरल एल्गोरिदम हैं - ताकि आपको नंबर 0 से 500 000 तक न मिलें, लेकिन आउटपुट पर या बीच में 0 से 1 जोड़ते समय - यह गणना और कम्प्यूटेशनल गणित को बहुत सरल करता है।

जैसा कि आप पहले से ही समझ सकते हैं, मशीन लर्निंग के वास्तव में शांत विशेषज्ञ न केवल अनुकूलित तंत्रिका नेटवर्क के निर्माण में मौजूदा तरीकों के अधिकांश को जानते हैं, बल्कि अपने स्वयं के दृष्टिकोण के साथ भी आते हैं, एक पेरट्रोन का निर्माण करने के बीच कारण और प्रभाव संबंधों की सबसे सरल लेकिन गहरी समझ से शुरू होता है। , और यह गणित के संदर्भ में क्यों काम करता है। वे न केवल न्यूरॉन काम कर सकते हैं, वे एल्गोरिथ्म को बदल सकते हैं या किसी अन्य एल्गोरिथ्म का उपयोग अभी भी जल्दी से, आशावादी रूप से चलाने के लिए कर सकते हैं।

खैर, यह सब - मैंने आपको समझने की नींव दी है कि तंत्रिका नेटवर्क क्या हैं। मैंने आपको उम्मीद भी दिखाई कि शैतान इतना भयानक नहीं है जितना कि वह चित्रित है - सब कुछ अविश्वसनीय रूप से सरल है, गुणा और जोड़ के स्तर पर। फिर मैं आपको सलाह देता हूं कि आप YouTube या उडेमी पर ट्यूटोरियल देखना शुरू करें - सबकुछ शांत करने के लिए दोस्तों का कमाल है।

अगली बार, जब वे आपसे मशीन-लर्निंग प्रोजेक्ट के लिए पैसे मांगते हैं, तो भिखारियों से तंत्रिका नेटवर्क के काम की रूपरेखा के साथ भिखारियों को हिलाएं - क्या परतें, कैसे वे व्यवस्थित हैं, क्यों और क्यों, यहां यह है, और वहां यह नहीं है। यह सब अधिकतम 11 वर्गों के स्तर पर होगा (यह अभिन्न और अंतर के बारे में है) - और फिर यह एक बार विवरण में होगा, शायद दो। जबकि परियोजना में यह मॉडल नहीं है (क्या परतें और कैसे स्थित हैं) - परियोजना में उत्पाद नहीं है, क्योंकि यह संरचना मशीन सीखने के विशेषज्ञ का पहला 2-4 सप्ताह है।

पुनश्च, स्पष्टीकरण के लिए एक उदाहरण, मैंने जानबूझकर तंत्रिका नेटवर्क के बारे में एक शानदार वीडियो से लिया है। मैं दृढ़ता से आपको देखने की सलाह देता हूं - धन्यवाद दोस्तों! ग्राहकों ने मूल वीडियो के लिंक को पुनर्स्थापित करने में मदद की, जिसका एक उदाहरण मैंने स्मृति से पुनर्प्राप्त करने का प्रयास किया। यदि किसी को ऊपर दिए गए कार्य को कैसे कोडित करने में रुचि है, तो मैं आपको यहां इस वीडियो को देखने के लिए आमंत्रित करता हूं। लेखकों को बहुत बहुत धन्यवाद!