Мэдрэлийн сүлжээ нь хүний тархины бүтэц, үйл ажиллагаанаас сэдэвлэсэн тооцооллын загвар юм. Энэ нь хиймэл оюун ухааны үндсэн бүрэлдэхүүн хэсэг, ялангуяа машин сургалтын салбарт. Мэдрэлийн сүлжээ нь өгөгдлийн нарийн төвөгтэй хэв маяг, харилцааг боловсруулах, тайлбарлах зорилготой бөгөөд тэдгээрт урьдчилан таамаглах, хэв маягийг таних, асуудлыг шийдвэрлэх боломжийг олгодог.
Мэдрэлийн сүлжээ нь үндсэндээ хиймэл мэдрэлийн эсүүд эсвэл зүгээр л "нейронууд" гэж нэрлэгддэг хоорондоо холбогдсон зангилаанаас бүрддэг. Эдгээр мэдрэлийн эсүүд нь давхаргад хуваагддаг бөгөөд давхарга бүр нь тодорхой тооцоолол хийдэг. Мэдрэлийн сүлжээний хамгийн түгээмэл төрөл бол мэдээлэл нь нэг чиглэлд, оролтын давхаргаас далд давхаргуудаар дамжин гаралтын давхарга хүртэл урсдаг мэдрэлийн сүлжээ юм.
Мэдрэлийн сүлжээн дэх нейрон бүр оролтыг хүлээн авч, тэдгээрт математик хувиргалт хийж, гаралт үүсгэдэг. Оролтыг жингээр үржүүлдэг бөгөөд энэ нь нейрон хоорондын холболтын хүчийг илэрхийлдэг. Нэмж дурдахад нейроны хариу үйлдлийг нарийн тааруулах боломжийг нейрон бүрт хэвийсэн нэр томъёо нэмдэг. Дараа нь жигнэсэн оролт ба хэвийсэн утгыг идэвхжүүлэх функцээр дамжуулдаг бөгөөд энэ нь шугаман бус байдлыг сүлжээнд нэвтрүүлдэг.
Идэвхжүүлэх функц нь нейроны гаралтыг түүний оролт дээр үндэслэн тодорхойлдог. Идэвхжүүлэх нийтлэг функцүүдэд оролтыг 0-ээс 1-ийн хоорондох утгыг буулгадаг sigmoid функц, хэрэв эерэг бол 0 бол оролтыг гаргадаг шулуун шугаман нэгж (ReLU) функц орно. Идэвхжүүлэх функцийг сонгох нь тухайн асуудал болон сүлжээний хүссэн шинж чанараас хамаарна.
Сургалтын явцад мэдрэлийн сүлжээ нь буцах тархалт гэж нэрлэгддэг процессыг ашиглан урьдчилан таамагласан гаралт болон хүссэн гаралтын хоорондох ялгааг багасгахын тулд нейронуудын жин ба хэвийлтийг тохируулдаг. Буцах тархалт нь алдааны градиентийг жин ба хазайлт тус бүрээр тооцож, сүлжээг алдааг багасгах замаар шинэчлэх боломжийг олгодог. Энэхүү давтагдах үйл явц нь сүлжээ нь алдаа багассан төлөвт хүрэх хүртэл үргэлжилдэг бөгөөд энэ нь шинэ, үл үзэгдэх өгөгдөл дээр үнэн зөв таамаглал дэвшүүлж чаддаг.
Мэдрэлийн сүлжээ нь зураг, яриа таних, байгалийн хэлийг боловсруулах, зөвлөмж өгөх систем зэрэг өргөн хүрээний хэрэглээнд өндөр үр дүнтэй болох нь батлагдсан. Жишээлбэл, дүрсийг танихад мэдрэлийн сүлжээ нь мянга, бүр сая сая шошготой дүрсийг шинжилж объектыг таньж сурах боломжтой. Өгөгдөл дэх үндсэн хэв маяг, онцлогуудыг олж авснаар мэдрэлийн сүлжээ нь мэдлэгээ нэгтгэж, үл үзэгдэх зургуудын талаар үнэн зөв таамаглал гаргах боломжтой.
Мэдрэлийн сүлжээ нь хүний тархины бүтэц, үйл ажиллагаанаас сэдэвлэсэн тооцооллын загвар юм. Энэ нь давхарга болгон зохион байгуулалттай харилцан уялдаатай хиймэл мэдрэлийн эсүүдээс бүрддэг бөгөөд нейрон бүр өөрийн оролтод математик хувиргалтыг хийж, үр дүнг идэвхжүүлэх функцээр дамжуулдаг. Сургалтын явцад мэдрэлийн сүлжээнүүд нь урьдчилан таамагласан болон хүссэн үр дүнгийн хоорондох ялгааг багасгахын тулд жин, хазайлтыг тохируулдаг. Энэ нь тэдэнд хэв маягийг таних, урьдчилан таамаглах, нарийн төвөгтэй асуудлыг шийдвэрлэх боломжийг олгодог.
Сүүлийн үеийн бусад асуулт, хариулт Үүлэн дэх загваруудыг сургах том өгөгдөл:
- Өгөгдлийг илэрхийлэх функцууд нь тоон форматтай байх ёстой бөгөөд онцлог багануудад зохион байгуулагдах ёстой юу?
- Машин сургалтын сургалтын түвшин хэд вэ?
- Сургалт ба үнэлгээний хооронд ихэвчлэн санал болгож буй өгөгдлийг хуваах нь 80% -аас 20% байна уу?
- ML загваруудыг хайбрид тохиргоонд ажиллуулж, одоо байгаа загварууд нь орон нутагт ажиллаж, үр дүнг үүлэн рүү илгээвэл ямар вэ?
- AI загварт том өгөгдлийг хэрхэн ачаалах вэ?
- Загвар өмсөгчид үйлчлэх нь юу гэсэн үг вэ?
- Машины сургалтын том өгөгдлийн багцтай ажиллахад яагаад өгөгдлийг үүлэн дотор байрлуулах нь хамгийн сайн арга гэж тооцогддог вэ?
- Том өгөгдлийн багцыг шилжүүлэхэд Google Transfer Appliance-г хэзээ санал болгодог вэ?
- Gsutil-ийн зорилго юу вэ, энэ нь ажлын байрыг илүү хурдан шилжүүлэхэд хэрхэн тусалдаг вэ?
- Сургалтын өгөгдлийг хадгалахад Google Cloud Storage (GCS) хэрхэн ашиглах вэ?
Клоуд дахь сургалтын загварт зориулсан Big Data-аас илүү олон асуулт, хариултыг харна уу