Walton Electronics Co., Ltd.
Liên hệ chúng tôi

Người liên hệ : Walton-cara

Số điện thoại : 15986872308

Free call

Tạo chương trình học

July 1, 2022

tin tức mới nhất của công ty về Tạo chương trình học

Trí tuệ nhân tạo nằm ở trung tâm của những tiến bộ vượt bậc trong ô tô, chăm sóc sức khỏe, hệ thống công nghiệp và một số lĩnh vực ứng dụng ngày càng mở rộng.Khi sự quan tâm tiếp tục tăng lên, bản chất của AI đã gây ra một số nhầm lẫn và thậm chí là sợ hãi về vai trò ngày càng tăng của AI trong cuộc sống hàng ngày.Loại AI cho phép ngày càng nhiều sản phẩm thông minh được xây dựng dựa trên các phương pháp kỹ thuật đơn giản nhưng không tầm thường để cung cấp các khả năng khác xa với AI kết thúc nền văn minh của khoa học viễn tưởng.

Các định nghĩa về AI bao gồm từ dạng tiên tiến nhất - và vẫn còn ở dạng khái niệm -, nơi máy móc có hành vi giống con người, đến dạng quen thuộc hơn, nơi máy móc được đào tạo để thực hiện các nhiệm vụ cụ thể.Ở dạng tiên tiến nhất, trí tuệ nhân tạo thực sự sẽ hoạt động mà không có sự chỉ đạo và kiểm soát rõ ràng của con người để đi đến kết luận một cách độc lập hoặc thực hiện một số hành động giống như con người.Ở phần cuối theo định hướng kỹ thuật quen thuộc hơn của phổ AI, các phương pháp học máy (ML) thường cung cấp nền tảng tính toán cho các ứng dụng AI hiện tại.Các phương pháp này tạo ra các phản hồi cho dữ liệu đầu vào với tốc độ và độ chính xác ấn tượng mà không cần sử dụng mã được viết rõ ràng để cung cấp các phản hồi đó.Trong khi các nhà phát triển phần mềm viết mã để xử lý dữ liệu trong các hệ thống thông thường, các nhà phát triển ML sử dụng dữ liệu để dạy các thuật toán ML như mô hình mạng nơ-ron nhân tạo để tạo ra các phản hồi mong muốn cho dữ liệu.
Mô hình mạng nơ ron cơ bản được xây dựng như thế nào?
Trong số các kiểu học máy quen thuộc nhất, các mô hình mạng nơ-ron truyền dữ liệu từ lớp đầu vào của chúng qua các lớp ẩn đến lớp đầu ra (Hình 1).Như đã mô tả, các lớp ẩn được huấn luyện để thực hiện một loạt các phép biến đổi nhằm trích xuất các tính năng cần thiết để phân biệt giữa các lớp dữ liệu đầu vào khác nhau.Những biến đổi này lên đến đỉnh điểm
các giá trị được tải vào lớp đầu ra, trong đó mỗi đơn vị đầu ra cung cấp một giá trị đại diện cho xác suất dữ liệu đầu vào thuộc về một lớp cụ thể.Với cách tiếp cận này, các nhà phát triển có thể phân loại dữ liệu như hình ảnh hoặc các phép đo cảm biến bằng cách sử dụng kiến ​​trúc mạng nơ-ron thích hợp.

Kiến trúc mạng nơ-ron có nhiều dạng, từ kiểu mạng nơ-ron truyền thẳng đơn giản như trong Hình 1 đến mạng nơ-ron sâu (DNN) được xây dựng với một số lớp ẩn và các lớp riêng lẻ chứa hàng trăm nghìn nơ-ron.Tuy nhiên, các kiến ​​trúc khác nhau thường xây dựng trên một đơn vị nơ-ron nhân tạo với nhiều đầu vào và một đầu ra duy nhất (Hình 2).Hình 1: Mạng nơ-ron bao gồm các lớp nơ-ron nhân tạo được huấn luyện để phân biệt giữa các lớp dữ liệu đầu vào khác nhau.(Nguồn: phỏng theo Wikipedia)

tin tức mới nhất của công ty về Tạo chương trình học  0

tin tức mới nhất của công ty về Tạo chương trình học  1

Hình 2: Một tế bào thần kinh nhân tạo tạo ra một đầu ra dựa trên một chức năng kích hoạt hoạt động

trên tổng số lần xuất hiện có trọng số của danh từ.(Nguồn: Wikipedia)

 

 

Trong mạng nơ-ron truyền tiếp, một nơ-ron cụ thể n, trong lớp ẩn tính tổng các đầu vào của nó, x, được điều chỉnh bởi trọng số đầu vào cụ thể wp và thêm hệ số thiên vị dành riêng cho lớp b (không được hiển thị trong hình) như sau:

tin tức mới nhất của công ty về Tạo chương trình học  2

 

Cuối cùng, tổng giá trịS được chuyển đổi thành một giá trị đầu ra duy nhất bằng một hàm kích hoạt.Tùy thuộc vào yêu cầu, các hàm này có thể có nhiều dạng, chẳng hạn như hàm bước đơn giản, tiếp tuyến cung hoặc ánh xạ phi tuyến tính chẳng hạn như đơn vị tuyến tính chỉnh lưu (ReLU), xuất ra 0 cho S <= 0 hoặc s, cho S> 0.

Mặc dù tất cả chúng đều được thiết kế để trích xuất các đặc điểm phân biệt của dữ liệu, các kiến ​​trúc khác nhau có thể sử dụng các phép biến đổi khác nhau đáng kể.Ví dụ, mạng nơ-ron tích chập (CNN) được sử dụng trong các ứng dụng nhận dạng hình ảnh sử dụng các mạng nơ-ron phức hợp.Trong đó, các hàm, được gọi là hạt nhân, thực hiện các phép chập trên hình ảnh đầu vào để biến nó thành các bản đồ đặc trưng.Các lớp tiếp theo thực hiện nhiều phép chập hoặc các chức năng khác, trích xuất và chuyển đổi thêm các tính năng cho đến khi mô hình CNN tạo ra đầu ra xác suất phân loại tương tự như trong các mạng nơ-ron đơn giản hơn.Tuy nhiên, đối với các nhà phát triển, phép toán cơ bản cho các kiến ​​trúc mạng nơ-ron phổ biến phần lớn là minh bạch vì sự sẵn có của các công cụ phát triển ML (được thảo luận ở phần khác trong số này). một tập hợp dữ liệu được gọi là tập huấn luyện.Tập dữ liệu đào tạo này bao gồm một tập hợp đại diện các quan sát dữ liệu và phân loại chính xác cho mỗi quan sát- và đại diện cho một trong những khía cạnh thách thức hơn của việc phát triển mô hình mạng nơ-ron.

Mô hình mạng nơ-ron được đào tạo và triển khai như thế nào?

Trước đây, các nhà phát triển tạo tập huấn luyện có tùy chọn ltte nhưng để làm việc thông qua hàng nghìn quan sát được yêu cầu trong một tập điển hình, gắn nhãn thủ công cho mỗi quan sát với tên chính xác của nó.Ví dụ: để tạo một bộ đào tạo cho một ứng dụng nhận dạng biển báo đường bộ, họ

Cần xem hình ảnh các biển báo hiệu đường bộ và dán nhãn cho từng hình ảnh với tên biển báo chính xác.Các tập hợp dữ liệu được gắn nhãn trước trong miền công cộng cho phép nhiều nhà nghiên cứu học máy tránh nhiệm vụ này và tập trung vào phát triển thuật toán.Tuy nhiên, đối với các ứng dụng ML sản xuất, nhiệm vụ ghi nhãn có thể là một thách thức đáng kể.Các nhà phát triển ML nâng cao thường sử dụng các mô hình được đào tạo trước trong một

quá trình được gọi là học chuyển giao để giúp giảm bớt vấn đề này.

Hãy liên lạc với chúng tôi

Nhập tin nhắn của bạn