Yapay sinir ağları gibi merkezi sinir sistemi gibi biyolojik sinir ağları dayalı yapay zeka bir form vardır. Katı tanımlanmış kurallara göre çalışır daha geleneksel yazılım aksine, yapay sinir ağları eğitimi örnekler gösterilen milyonlarca varlık ve istenen sonuçları dönünceye kadar düzeltilmiş yavaşlatma kendi ağ parametrelerini alarak eğitilmiştir.
Ağ bağlantılı nöronlar gibi hareket düğümler oluşuyor. Bu bilgisayarlar, bilinmeyen ya da yaklaşık iki olan doğası olan veri girişlerinin, çok sayıda sevketmesine olanak sağlar. Fikir bu düğümler onların talimatlarına göre tartmak artan karmaşıklık her katmanı taşıma verileri ile yığılmış katmanları ayarlanır olmasıdır. Bu katmanlar zamanla daha fazla veri beslenir olarak istenilen desen tespit öğrenebilir ve daha iyi olmak için yeteneği var.
Bu yetenek görüntü sınıflandırılması ve konuşma tanıma gibi alanlarda yapay sinir ağları çok değerli hale getirdi. Örneğin, yapay sinir ağları kullanılarak görüntü tanıma sistemleri öngörülemeyen aydınlatma, açılar, renk ve arka gerçek dünya kaos görüntüleri işleyebilir. Bunun yerine bir muz bir resimde ne sıralamak için katı kurallar aşağıdaki, bir sinir ağı, kenarları gibi basit şeyler bulmak daha karmaşık şekiller içine bu birleştirir ve daha sonra çeşitli tanımlamak için bu birleştirmeyi öğrenmek için örnekler milyonlarca kullanarak çalışabilir objeler - biri muz olabilir.
Ne yazık ki, Google Research, yapay sinir ağları bu kadar etkili kılan çok şey göre de onları çok zor anlamak için yapar. Kullandıkları matematiksel modeller çok iyi bilinen, ama veri ağı 30 katmana kadar geçtikten sonra, tam ne olup bittiğini tam olarak belli değil olabilir. Giriş birinci katman gider ve sonuçta son çıkarılan, ancak arasında ne olur hep belli değil.
Daha iyi bu süreci anlamak için, Google Araştırma ekibi Inceptionism parçası olarak süreci tersine olduğunu. Bunun yerine bir görüntü bakıyor ve belirli bir nesneyi arayan, ağ gibi bir muz gibi bir nesneyi olabilir şeyler, bakmak için kendi bilgi ve kuralları kullanmak için söylendi, ve genişletir ağ, bir muz olarak gördüğü benzer kadar oldu .
Ne Araştırmacılar keşfetti ağları sadece nesneleri tanıma yeteneğini yoktu, ama onlar düzgün tutored oldum kez, onlar doğruluk yüksek derecede istatistiksel olarak görüntüler oluşturmak için yeterli bilgiye sahip - Bir gibi görünüyor ne söz değil Daliesque hayal. ağlar gibi bir manzara olarak, görünüşte sade bir görüntü almak ve kuleler, pagoda ve kubbe kapaklı saraylar bir ufuk çizgisi dönüşebilir. Cloudscapes ağaçlar garip kaleler haline hayvanlar ve kuşlar bir phantasmagoria olmak ve Seattle Space Needle bir Lovecraft romanı dışında bir şey gibi garip yaşam şekilleri ile kaplı bir gotik sivri olur.
Araştırmacılara göre, tüm bu nokta, çeşitli katmanlarını seçerek ağ geliştirmek için hangi özelliklerin tercih etmesini ve sonuçları ağırlık verilen emirleri değiştirerek, oluşturulan görüntüler takımını ne daha iyi bir anlayış verebilir ki oluyor. Örneğin, her bir katman karmaşıklık farklı bir katman temsil eder, bu yüzden son görüntü yansıtır. Yüksek tabakalar daha karmaşıklık sonuçlar ise daha düşük seviyeler, kenarları gibi basit şeyler adres ve vuruş ve süs gibi desenleri oluşturmak ve ağınızı sorarak, araştırmacılar tam içine bir tutam bulut bir yama dönüşebilir bir geri besleme döngüsü oluşturabilirsiniz -blown hayvan.
Ekip Inceptionism ağları öğrenmek ve ağlar oluşturmak görüntüleri incelemek ve ortaya çıkan problemleri çözerek kendi sonuçlara gelmek nasıl önemli bilgiler sağladığını söylüyor. Görüntüleri belirlenmesinde, ağlar çatalla üzerinde dişleri gibi temel özellikleri anlamaya bekleniyor. Bununla birlikte, makine lojik özelliklerini üretebilir. Bir örnek, bir dumbbell tanımlamak için şebekenin girişimidir. Bir insan egzersiz ekipmanları basit bir parçası olarak görüyor, ancak ağa eğitmek için kullanılan görüntüler elinde tutulan halter gösterme eğilimindedir, bu nedenle Inceptionism içinde birinin bir görüntü oluşturur, onlar her zaman bağlı bir kol sahip olarak bir dumbbell tasvir .
Buna ek olarak, araştırmacılar ağları yeni görüntüler haline belirli nesneleri dönüşümü nasıl çalışabiliriz. kayalar ve ağaçlar binalar, ufuklar egzotik silueti dönüşür hale böylece ağın eğitimi, önyargıları tanıtır ve yapraklar kuşlar ve böcekler olur. Buna ek olarak, Inceptionism daha fazla resim üreten bir sonucu yakınlaştırma ile Fraktaller gibi biraz çalışabilir, böylece ağ zaten yarattı görüntülerden yeni görüntüler yaratıyor. Google araştırma ekibi psychedelic ötesinde uygulamaları bir dizi sahip olarak Inceptionism görür. Yapay sinir ağlarının daha iyi anlaşılmasına ek olarak, teknik, ağ mimarisi ve ağ öğrenme çek olarak iyileştirmeye yardımcı olabilir. Hatta bir gün sanatçılara için yeni bir araç haline ve hatta yaratıcı sürecin içine yeni anlayışlar sağlayabilir.
Hiç yorum yok:
Yorum Gönder