बाइनरी न्यूरल नेटवर्क कैसे काम करते हैं, और वे 2020 में लोकप्रिय क्यों होंगे

तंत्रिका नेटवर्क एक अच्छी बात है, लेकिन उनकी क्षमता अभी भी लागत और ऊर्जा द्वारा सीमित है; बाइनरी न्यूरल नेटवर्क इससे निपटने में मदद कर सकते हैं

तंत्रिका नेटवर्क की अवधारणा पहले 40 से अधिक साल पहले दिखाई दी थी, जब वैज्ञानिकों ने मस्तिष्क कार्यों के गणितीय मॉडलिंग के साथ प्रयोग किया था। उन्हें पता चला कि एक तंत्रिका नेटवर्क का यांत्रिक कार्यान्वयन कैसे किया जाता है जिसे पैटर्न को पहचानने और डेटा को वर्गीकृत करने के लिए सिखाया जा सकता है - उदाहरण के लिए, यह पहचानने के लिए कि क्या वीडियो पर एक बिल्ली या कुत्ता है।

पिछले एक दशक में, तंत्रिका नेटवर्क की जटिलता और क्षमता में काफी वृद्धि हुई है। कम लागत और सस्ती सुपर कंप्यूटर और ग्राफिक प्रोसेसर (जीपीयू) की शक्ति में अभूतपूर्व वृद्धि के साथ, वे समस्याओं को सुलझाने, पैटर्न को पहचानने और विसंगतियों का पता लगाने के लिए डिफ़ॉल्ट विधि के रूप में सामने आए हैं। संगठन आज उन्हें भविष्यवाणियां करने, उपयोगकर्ता की प्राथमिकताएँ, डेटा को मान्य करने और जोखिम का प्रबंधन करने के लिए उपयोग करते हैं।

लेकिन, सक्रिय उपयोग के बावजूद, उनकी कमियां हैं जो उनकी क्षमता को सीमित करती हैं। पवित्र कंघी बनानेवाले की रेती एक तंत्रिका नेटवर्क है जो जल्दी से जानकारी का विश्लेषण कर सकता है, सस्ती होने के नाते और ऊर्जा की भूख नहीं है। एक नेटवर्क बनाना जो इन मानदंडों को पूरा करता है, एक मुश्किल काम है, लेकिन इसे हल किया जाना चाहिए ताकि हम तंत्रिका नेटवर्क का लाभ आईटी और संचार नेटवर्क के किनारे के साथ-साथ टर्मिनल उपकरणों पर ले सकें।

कई संगठनों की खोज में से एक विकल्प बाइनरी नेटवर्क है। यह एक काफी नई तकनीक है, लेकिन यह 2020 में काफी प्रभावशाली होने की संभावना है। यह समझने के लिए कि, हमें यह समझने की आवश्यकता है कि दोनों प्रकार के नेटवर्क कैसे काम करते हैं।

तंत्रिका नेटवर्क कैसे काम करते हैं?

तंत्रिका नेटवर्क में भारित रकम की कई परतें होती हैं। प्रत्येक भारित राशि एक संख्या देती है जो या तो इंगित करती है कि इन आंकड़ों में कुछ संकेत है, या यह संभवतः वहां नहीं है। ये परतें, उदाहरण के लिए, कच्ची छवियों को सुविधाओं के सेट में जोड़ती हैं, और अंत में एक उत्तर पर पहुंचने के लिए उन्हें फिर से जोड़ देती हैं।

सीधे शब्दों में कहें, आप चाहते हैं कि तंत्रिका नेटवर्क तस्वीरों में चेहरे को पहचानने में सक्षम हो। सिस्टम छवि को छोटे खंडों में विभाजित करता है, और फिर नेटवर्क परतें छवि के प्रत्येक खंड को स्कैन करती हैं, एक संकेत की तलाश में जो उन्हें पहचानने के लिए सिखाया गया है। पहली परत, उदाहरण के लिए, बुनियादी सुविधाओं के लिए देख सकते हैं: काले घेरे, सफेद वृत्त, सफेद आयताकार, त्वचा का रंग। इन संकेतों को नोटिस करना आसान है।

दूसरी परत आँखों की तलाश कर सकती है (सफेद के अंदर एक काला घेरा), मुँह (पास में स्थित सफेद आयतों का एक सेट और त्वचा से घिरा हुआ), अगली परत मुँह के ऊपर और आसपास की त्वचा के लिए दो आँखों की तलाश कर सकती है। प्रत्येक विशेषता प्रत्येक छवि खंड को फोटो के इस हिस्से में वांछित सुविधा की उपस्थिति की संभावना का अनुमान देती है। फिर इन संभावनाओं को संयुक्त किया जाता है, और यदि पर्याप्त संख्या में परतों का मानना ​​है कि तस्वीर में वांछित संकेत है, तो नेटवर्क निष्कर्ष निकालता है कि व्यक्ति वहां है।


अंजीर। 1

अंजीर में। चित्र 1 (और यह बराक ओबामा की एक तस्वीर है) दिखाता है कि विश्लेषण और संभाव्यता की इन परतों को कैसे अभिव्यक्त किया गया है, जिससे नेटवर्क लगभग अनुमानित जवाब देने के लिए अनुमानित मूल्यों के साथ काम कर रहा है।

ध्यान दें कि काले घेरे, आंख या मुंह जैसी विशेषताएं किसी व्यक्ति द्वारा प्रोग्राम नहीं की जाती हैं, लेकिन प्रशिक्षण के दौरान नेटवर्क द्वारा इसका पता लगाया जाता है। यह संभव है कि एक और पैटर्न (उदाहरण के लिए, नाक, कान या हेयरलाइन) लोगों की खोज के लिए बेहतर अनुकूल है, और तंत्रिका नेटवर्क की सुंदरता यह है कि उनका उपयोग ऐसे पैटर्न की खोज के लिए किया जा सकता है।

पारंपरिक तंत्रिका नेटवर्क के नुकसान

समस्या यह है कि उच्चतम संभव सटीकता की खोज में संभावना के बहुत विस्तृत सीमांकित स्तरों से निपटने की आवश्यकता है, और इन गणितीय गणनाओं के लिए गंभीर संसाधनों की आवश्यकता होती है। खंड विश्लेषण के लिए फ्लोटिंग पॉइंट नंबरों के उपयोग के कारण, तंत्रिका नेटवर्क को अपेक्षाकृत अधिक कंप्यूटिंग शक्ति, मेमोरी और काम करने के लिए समय की आवश्यकता होती है।

यद्यपि क्लाउड में पर्याप्त कंप्यूटिंग शक्ति और मेमोरी है, लेकिन कई किनारे एप्लिकेशन क्लाउड पर भरोसा नहीं कर सकते हैं। उदाहरण के लिए, रोबोट को अपने वातावरण के आधार पर तुरंत निर्णय लेने की आवश्यकता होती है, और इसमें वे सीमित बैंडविड्थ संचार पर भरोसा नहीं कर सकते हैं।

तंत्रिका नेटवर्क जो अंत उपकरणों पर फ्लोटिंग पॉइंट नंबरों के साथ काम करते हैं, उनका उपयोग नहीं किया जा सकता है। इस वजह से, कई कंपनियां पूर्णांक अंकगणित का उपयोग करती हैं, जो बड़ी मात्रा में मेमोरी और कंप्यूटिंग शक्ति को बचाता है, लेकिन एक बेहतर तरीका है - यह वह जगह है जहां द्विआधारी तंत्रिका नेटवर्क खुद को प्रकट करते हैं।

बाइनरी नेटवर्क कैसे काम करते हैं

यदि एक सामान्य तंत्रिका नेटवर्क पिकासो पेंटिंग है, तो एक बाइनरी न्यूरल नेटवर्क एक मोटा पेंसिल स्केच है।

यदि न्यूरल नेटवर्क प्रत्येक सेगमेंट में एक सटीक गणना की गई संभावना को असाइन करते हैं, तो बाइनरी न्यूरल नेटवर्क, जैसा कि उनके नाम का तात्पर्य है, एक काले और सफेद संस्करण के संभावित मानों को कम कर देता है, जो कि या तो -1 है (यदि नेटवर्क मानता है कि इस टुकड़े में कोई संकेत नहीं है), या + 1 (यदि कोई हो)।

अब एक भारित राशि प्रत्येक गुण का या तो सकारात्मक (+1 से गुणा) या नकारात्मक (-1 से गुणा) का मूल्यांकन करती है, और पूर्ण गुणा के बजाय, हमें केवल +1 और -1 से गुणा करने पर विचार करना होगा।


अंजीर। 2

यह दृष्टिकोण कुछ हद तक सटीकता का बलिदान करता है, लेकिन हम नेटवर्क को थोड़ा बढ़ाकर नुकसान की भरपाई कर सकते हैं। बाइनरी नेटवर्क स्वाभाविक रूप से बहुत सरल हैं।

उनके फ्लोटिंग-पॉइंट समकक्षों की तुलना में, उन्हें संख्या को स्टोर करने के लिए 32 गुना कम जगह की आवश्यकता होती है (32 के बजाय 1 बिट), और सैकड़ों गुना कम ऊर्जा होती है, यही वजह है कि वे रोबोबीम की तरह "बढ़त अनुप्रयोगों" के लिए अधिक उपयुक्त हैं, जब डिवाइस स्वयं क्लाउड कंप्यूटिंग को शामिल किए बिना जानकारी को संसाधित कर सकते हैं।

आमतौर पर एक बाइनरी नेटवर्क परतों में गैर-बाइनरी मान अभी भी होते हैं, विशेष रूप से इनपुट पर, और कभी-कभी आउटपुट पर। इनपुट पर, छवि पूरी तरह से पूर्ण-रंग की होगी, और बाइनरी परतों के शुरू होने से पहले इसे संख्यात्मक रूप से व्याख्या करने की आवश्यकता होगी। और आउटपुट परत में हमेशा एक गैर-बाइनरी आउटपुट भी होगा।

बाइनरी नेटवर्क का भविष्य

ऐसी सादगी उन परिस्थितियों में वाणिज्यिक उपयोग के लिए एक विशाल क्षेत्र खोलती है जहां दक्षता सब कुछ है। अंतर्निहित चिप पर, बाइनरी नेटवर्क गुणांक को फ्लोटिंग पॉइंट गुणांक वाले नेटवर्क की तुलना में संग्रहीत करने की अधिक संभावना है। प्रोसेसर निर्माताओं को इस तकनीक को अपनाने और बाइनरी नेटवर्क के लिए सहायता प्रदान करने की आवश्यकता होगी।

2020 बाइनरी नेटवर्क का वर्ष होने की संभावना है। कंपनियां इस तकनीक के कार्यान्वयन पर सक्रिय रूप से काम कर रही हैं, और बाइनरी नेटवर्क के प्रशिक्षण के लिए आवश्यक सॉफ्टवेयर तेजी से विकसित हो रहा है। हम बहुत जल्द इस तकनीक के पहले वास्तविक अनुप्रयोग को देखने की संभावना रखते हैं, और कम-शक्ति, कम-ऊर्जा चिप्स किनारे वाले उपकरणों पर दिखाई देंगे जो छवियों या अन्य डेटा को वर्गीकृत कर सकते हैं।

इस प्रकार, प्रौद्योगिकी की अगली पीढ़ी सादगी पर आधारित होगी।