Skirtumas tarp neuroninio tinklo ir gilaus mokymosi
Share
pagrindinis skirtumas tarp neuroninio tinklo ir gilaus mokymosi yra tai nervų tinklas veikia panašiai kaip neuronai žmogaus smegenyse, kad greičiau atliktų įvairias skaičiavimo užduotis, tuo tarpu gilus mokymasis yra ypatingas mašininio mokymosi tipas, imituojantis mokymosi metodą, kurį žmonės naudoja įgydami žinių.
Neuroninis tinklas padeda kurti prognozavimo modelius, kad būtų galima išspręsti sudėtingas problemas. Kita vertus, gilus mokymasis yra mašininio mokymosi dalis. Tai padeda vystyti kalbos atpažinimą, vaizdo atpažinimą, natūralios kalbos apdorojimą, rekomendacijų sistemas, bioinformatiką ir dar daugiau. Neuroninis tinklas yra metodas giliam mokymuisi įgyvendinti.
TURINYS
1. Apžvalga ir svarbiausias skirtumas
2. Kas yra neuroninis tinklas
3. Kas yra gilus mokymasis
4. Šalutinis palyginimas - neuroninis tinklas ir gilus mokymasis lentelės forma
5. Santrauka
Kas yra neuroninis tinklas?
Biologiniai neuronai yra nervinių tinklų įkvėpėjas. Žmogaus smegenyse yra milijonai neuronų ir informacijos procesas vyksta iš vieno neurono į kitą. Neuroniniai tinklai naudoja šį scenarijų. Jie sukuria kompiuterio modelį, panašų į smegenis. Jis gali atlikti sudėtingas skaičiavimo užduotis greičiau nei įprasta sistema.
01 pav. Neuroninio tinklo blokų schema
Neuroniniame tinkle mazgai jungiasi vienas su kitu. Kiekviena jungtis turi svorį. Kai mazgų įėjimai yra x1, x2, x3,… ir atitinkami svoriai yra w1, w2, w3,…, tada grynasis įėjimas (y) yra,
y = x1w1 + x2w2 + x3w3 +… .
Pritaikius grynąją įvestį aktyvavimo funkcijai, gaunamas išėjimas. Įjungimo funkcija gali būti linijinė arba sigmoidinė.
Y = F (y)
Jei šis išėjimas skiriasi nuo norimo išėjimo, svoris vėl sureguliuojamas ir šis procesas tęsiamas tol, kol gaunamas norimas išėjimas. Šis atnaujinamas svoris vyksta pagal atgaminimo algoritmą.
Yra dvi neuroninio tinklo topologijos, vadinamos „feedforward“ ir „tagasiside“. Informacijos perdavimo tinklai neturi grįžtamojo ryšio. Kitaip tariant, signalai teka tik iš įvesties į išvestį. Pakartotiniai tinklai toliau skirstomi į vieno ir daugiasluoksnius neuroninius tinklus.
Tinklo tipai
Vieno sluoksnio tinkluose įvesties sluoksnis jungiasi su išvestiniu sluoksniu. Daugiasluoksnis neuroninis tinklas turi daugiau sluoksnių tarp įvesties ir išvesties sluoksnių. Tie sluoksniai vadinami paslėptaisiais sluoksniais. Kitas tinklo tipas, ty grįžtamojo ryšio tinklai, turi grįžtamojo ryšio kelius. Be to, yra galimybė perduoti informaciją abiem pusėms.
02 pav. Daugiasluoksnis neuroninis tinklas
Neuroninis tinklas mokosi modifikuodamas ryšio tarp mazgų svorius. Yra trys mokymosi tipai, tokie kaip prižiūrimas mokymasis, neprižiūrimas mokymasis ir sustiprinamasis mokymasis. Prižiūrimo mokymosi metu tinklas pateiks išvesties vektorių pagal įvesties vektorių. Šis išvesties vektorius lyginamas su norimu išvesties vektoriu. Jei yra skirtumas, svoriai pasikeis. Šie procesai tęsiasi tol, kol faktinis išėjimas sutaps su norimu išvestimi.
Mokydamasis be priežiūros, tinklas pats nustato įvestų duomenų modelius ir ypatybes bei įvestų duomenų ryšį. Šiame mokymesi panašių tipų įvesties vektoriai sujungiami į grupes. Kai tinklas gaus naują įvesties modelį, jis gaus išvestį, nurodydamas klasę, kuriai tas įvesties modelis priklauso. Stiprinantis mokymasis priima tam tikrus atsiliepimus iš aplinkos. Tada tinklas keičia svorius. Tai yra neuroninio tinklo treniravimo metodai. Apskritai, neuroniniai tinklai padeda išspręsti įvairias modelio atpažinimo problemas.
Kas yra gilus mokymasis?
Prieš gilų mokymąsi svarbu aptarti mašininį mokymąsi. Tai suteikia kompiuteriui galimybę mokytis be aiškiai užprogramuoto. Kitaip tariant, tai padeda sukurti savarankiško mokymosi algoritmus duomenims analizuoti ir modeliams atpažinti priimant sprendimus. Tačiau bendras mašininis mokymasis yra keletas apribojimų. Pirma, sunku dirbti su dideliais matmenimis ar labai dideliu įėjimų ir išėjimų rinkiniu. Taip pat gali būti sunku atlikti funkcijų ištraukimą.
Gilus mokymasis išsprendžia šias problemas. Tai yra ypatingas mašininio mokymosi tipas. Tai padeda sudaryti mokymosi algoritmus, kurie gali veikti panašiai kaip žmogaus smegenys. Giluminiai ir pasikartojantys neuroniniai tinklai yra kelios giluminio mokymosi architektūros. Gilusis nervų tinklas yra neuroninis tinklas, turintis kelis paslėptus sluoksnius. Pasikartojantys neuroniniai tinklai naudoja atmintį įvesties sekoms apdoroti.
Kuo skiriasi neuroninis tinklas ir gilus mokymasis??
Neuroninis tinklas yra sistema, veikianti panašiai kaip neuronai žmogaus smegenyse, kad greičiau atliktų įvairias skaičiavimo užduotis. Giluminis mokymasis yra ypatinga mašininio mokymosi rūšis, imituojanti mokymosi metodą, kurį žmonės naudoja įgydami žinių. Neuroninis tinklas yra gilaus mokymosi būdas. Kita vertus, giluminis pasilenkimas yra ypatinga mašinų pasilenkimo forma. Tai yra pagrindinis skirtumas tarp neuroninio tinklo ir gilaus mokymosi
Santrauka - neuroninis tinklas ir gilus mokymasis
Skirtumas tarp neuroninio tinklo ir gilaus mokymosi yra tas, kad neuroninis tinklas veikia panašiai kaip neuronai žmogaus smegenyse, kad greičiau atliktų įvairias skaičiavimo užduotis, tuo tarpu gilus mokymasis yra specialus mašininio mokymosi tipas, imituojantis mokymosi metodą, kurį žmonės naudoja įgydami žinių..
Nuoroda:
1. „Kas yra gilus mokymasis (gilus nervų tinklas)? - Apibrėžimas iš WhatIs.com. “ „SearchEnterpriseAI“. Galima rasti čia
2. „Gilus mokymasis“. Vikipedija, Wikimedia Foundation, 2018 m. Gegužės 30 d. Galima rasti čia
3.edurekaIN. Kas yra gilus mokymasis Supaprastintas gilus mokymasis Giluminio mokymo pamoka | „Edureka“, „Edureka!“, 2017 m. Gegužės 10 d. Galima rasti čia
4.Tutorials punktas. „Dirbtiniai neuroninio tinklo blokai“. Mokymo taškas, 2018 m. Sausio 8 d. Galima rasti čia
Vaizdo mandagumas:
1. „Dirbtinis nervų tinklas“ „Geetika saini“ - Savas darbas (CC BY-SA 4.0) per „Commons Wikimedia“
2.'MultiLayerNeuralNetworkBigger english'By MultiLayerNeuralNetwork_english.png: Chrislbderivative work: - HELLKNOWZ ▎TALK ▎enWP TALK (CC BY-SA 3.0) per „Commons Wikimedia“.
