Содержание
Источник: Kran77 / Dreamstime.com
вынос:
Модели глубокого обучения учат компьютеры думать самостоятельно, что дает очень интересные и интересные результаты.
Глубокое обучение применяется во все большем количестве областей и отраслей. Начиная с автомобилей без водителя и заканчивая игрой в Go и созданием музыки для изображений, каждый день появляются новые модели глубокого обучения. Здесь мы рассмотрим несколько популярных моделей глубокого обучения. Ученые и разработчики берут эти модели и модифицируют их новыми и творческими способами. Мы надеемся, что эта витрина может вдохновить вас увидеть то, что возможно. (Чтобы узнать о достижениях в области искусственного интеллекта, см. Смогите ли компьютеры имитировать человеческий мозг?)
Нейронный Стиль
Вы не можете улучшить свои навыки программирования, когда никто не заботится о качестве программного обеспечения.
Нейронный Рассказчик
Neural Storyteller - это модель, которая при наличии изображения может создать романтическую историю об изображении. Это забавная игрушка, и все же вы можете представить себе будущее и увидеть направление, в котором движутся все эти модели искусственного интеллекта.
Вышеприведенная функция представляет собой операцию «изменения стиля», которая позволяет модели передавать стандартные заголовки изображений в стиле рассказов из романов. Изменение стиля было вдохновлено «Нейронным алгоритмом художественного стиля».
Данные
В этой модели используются два основных источника данных. MSCOCO - это набор данных Microsoft, содержащий около 300 000 изображений, каждое из которых содержит пять подписей. MSCOCO - это единственные контролируемые данные, которые означают, что это единственные данные, куда люди должны были входить и явно записывать подписи для каждого изображения.
Одним из основных ограничений нейронной сети с прямой связью является то, что она не имеет памяти. Каждый прогноз не зависит от предыдущих вычислений, как если бы он был первым и единственным прогнозом, который когда-либо делал сеть. Но для многих задач, таких как перевод предложения или абзаца, входные данные должны состоять из последовательных и последовательно связанных данных. Например, было бы трудно разобраться в одном слове в предложении без аргумента, предоставляемого окружающими словами.
RNN отличаются, потому что они добавляют другой набор связей между нейронами. Эти ссылки позволяют активациям нейронов в скрытом слое возвращаться в себя на следующем шаге последовательности. Другими словами, на каждом шаге скрытый слой получает активацию как от уровня под ним, так и от предыдущего шага в последовательности. Эта структура по существу дает рекуррентным нейронным сетям память. Таким образом, для задачи обнаружения объекта RNN может использовать свои предыдущие классификации собак, чтобы определить, является ли текущее изображение собакой.
Чар-Рнн Тед
Эта гибкая структура в скрытом слое позволяет RNN быть очень хорошими для языковых моделей на уровне символов. Char RNN, первоначально созданный Andrej Karpathy, - это модель, которая принимает один файл в качестве входных данных и обучает RNN, чтобы научиться предсказывать следующий символ в последовательности. RNN может генерировать символ за символом, который будет выглядеть как исходные данные тренировки. Демонстрация была обучена с использованием стенограмм различных выступлений TED. Накормите модель одним или несколькими ключевыми словами, и она сгенерирует отрывок о ключевых словах в голосе / стиле TED Talk.
Заключение
Эти модели показывают новые прорывы в области машинного интеллекта, которые стали возможными благодаря глубокому обучению. Глубокое изучение показывает, что мы можем решать проблемы, которые мы никогда не могли решить раньше, и мы еще не достигли этого плато. Ожидайте увидеть еще много интересных вещей, таких как автомобили без водителя, в течение следующих нескольких лет в результате глубоких инноваций в обучении.