کد خبر 1188701
تاریخ انتشار: ۱۵ اسفند ۱۳۹۹ - ۰۲:۲۹

شبکه های عصبی پیچیده تر عملا قادر به آموزش دادن به خودشان هستند. برخی شبکه های عصبی می توانند برای خلق چیزی جدید با هم کار کنند.

به گزارش مشرق، شبکه های عصبی کاربردهای خیلی زیادی دارند. یک نمونه رایج آنها قابلیت تشخیص چهره دوربین گوشی هوشمند شماست. اتومبیل های بدون سرنشین نیز به چندین دوربین مجهزند که سعی می کنند سایر وسایل نقلیه، علائم راهنمایی، عابران پیاده را با استفاده از شبکه های عصبی شناسایی کنند و سرعت خود را بر اساس این داده ها کم و زیاد یا تنظیم کنند.

در فرایند پیشنهاد کلمات که هنگام تایپ کردن پیام های متنی به شما داده می شود یا حتی در ابزارهای مترجمی که در اینترنت وجود دارد نیز می توان شبکه های عصبی را یافت.

آیا این شبکه ها به اطلاعات قبلی نیاز دارند؟

بله، به همین دلیل است که در آموزش شبکه های عصبی به کلان داده ها نیاز است. دلیل کارآیی این شبکه ها این است آنها را با مقادیر هنگفتی از اطلاعات آموزش می دهند تا قابلیت تشخیص، دسته بندی و پیش بینی مسائل را داشته باشند.

در مثال اتومبیل های بدون سرنشین، این شبکه ها لازم است به میلیون ها تصویر و ویدئو از تمام اشیایی که درخیابان ها وجود دارند نگاه کنند و به آنها گفته شود که هر کدام از آنها چه هستند. در برخی از سایت های اینترنتی برای ثابت کردن اینکه یک انسان هستید و نه یک بات رایانه ای، از شما خواسته می شود از میان چندین عکس روی تصاویر خط عابر پیاده کلیک کنید تا ثابت شود که شما که هستید. از این کار برای کمک به آموزش یک شبکه عصبی هم می توان استفاده کرد. فقط بعد از دیدن میلیون ها خط عابر پیاده از تمام زوایای موجود و وضعیت های نوری مختلف است که یک اتومبیل خودران قادر خواهد بود وقتی در زندگی واقعی به آنها نزدیک می شود، این خطوط را تشخیص دهد.

شبکه های عصبی پیچیده تر عملا قادر به آموزش دادن به خودشان هستند. در این ویدئو (لینک مربوطه)  وظیفه رفتن از نقطه الف به نقطه ب به شبکه داده می شود و می توانید ببینید که شبکه تلاش دارد انواع کارهای ممکن را انجام دهد تا مدلی برای خاتمه دادن به مسیر بسازد و سپس بهترین راه را پیدا کند.

برخی شبکه های عصبی می توانند برای خلق چیزی جدید با هم کار کنند. در این مثال وقتی شما صفحه را از نو بارگذاری می کنید، شبکه ها چهره های مجازی را می آفرینند که به افراد واقعی تعلق ندارد. یک شبکه تلاش می کند چهره ای را خلق کند و دیگری سعی می کند تشخیص دهد که کدام یکی از آنها واقعی یا جعلی است. آنها آنقدر در میان تصاویر به عقب و جلو می روند تا وقتی که دومی دیگر نتواند بگوید چهره ای که اولی خلق کرده جعلی است.

انسان ها نیز از کلان داده ها بهره مند می شوند. یک انسان می تواند حدود 30 فریم یا تصویر را در هر ثانیه درک کند که می شود 1800 تصویر در هر دقیقه و 600 میلیون تصویر در هر سال. به همین دلیل است که باید فرصت مشابهی در اختیار شبکه های عصبی قرار داده شود تا آنها بتوانند با استفاده از کلان داده ها خود را آموزش دهند.

یک شبکه عصبی اولیه چطور کار می کند؟

یک شبکه عصبی شبکه ای از عصب های مصنوعی است که در نرم افزار برنامه نویسی شده اند. این شبکه می کوشد مغز انسان را شبیه سازی کند، در نتیجه درست مثل عصب های داخل مغز ما، لایه های مختلفی از «عصب ها» دارد. اولین لایه عصب ها ورودی هایی مثل تصاویر، ویدئوها، اصوات، متن ها و غیره را دریافت می کنند. این داده های ورودی در تمام لایه ها به حرکت در می آید و در هر لایه به عنوان یک خروجی، نقش ورودی لایه بعدی را بازی و آن را تغذیه می کند.

بیایید نگاهی بیندازیم به یک نمونه از شبکه عصبی که آموزش می بیند تا سگ ها و گربه ها را از هم تشخیص دهد. لایه اول عصب ها این تصویر را به تکه های مجزایی از روشنایی و تاریکی تقسیم می کند. این داده ها به خورد لایه بعدی برای تشخیص سگ داده می شود. آنگاه لایه بعد سعی می کند اشکال شکل گرفته را با ترکیب کردن لبه های آنها تشخیص دهد. این داده ها به همین شکل به لایه های بعدی ارسال می شوند تا وقتی که سرانجام شبکه بر اساس معیار داده هایی که به آنها آموزش داده اید، تشخیص می دهد تصویری که به آن نشان داده اید تصویر یک سگ است یا گربه.

این شبکه ها می توانند به شکل خارق العاده ای پیچیده و مرکب از میلیون ها پارامتر برای دسته بندی و تشخیص اطلاعات ورودی که دریافت می کنند باشند.

چرا امروزه در بسیاری از وسایل شاهد شبکه های عصبی هستیم؟

شبکه های عصبی در واقع مدت ها پیش در سال 1943 اختراع شده اند، زمانی که وارن مک کولوچ و والتر پیتز مدلی محاسبه گر را برای شبکه های عصبی بر اساس الگوریتم ها درست کردند. اما این ایده برای مدتی طولانی به حالت رکود درآمد، چون برای ساخت شبکه های عصبی به منابع محاسباتی کلانی نیاز بود که هنوز وجود خارجی نداشتند.

اخیرا این ایده بار دیگر با جدیت مطرح شده است، از جمله به لطف پیشرفت های منابع محاسباتی مثل واحدهای پردازش گرافیکی. این واحدها تراشه هایی هستند که تا مدت ها برای پردازش گرافیک در بازی های ویدئویی استفاده می شدند، اما اکنون معلوم شده که این تراشه ها برای خرد کردن داده های مورد نیاز برای راه اندازه شبکه های عصبی نیز بسیار کارآمد هستند. به همین دلیل است که هم اکنون شاهد تکثیر شدید شبکه های عصبی هستیم.

نویسنده: تم نگوین (Tam Nguyen) استادیار دانشگاه دیتون

منبع: فارس