НЕЙРОННАЯ СЕТЬ: ВИДЫ И ИХ ИСПОЛЬЗОВАНИЕ В ЖИЗНИ

АННОТАЦИЯ

Нейронная сеть попытка с помощью математических моделей воссоздать работу мозга для создания машин, владеющих искусственным интеллектом.

Ключевые слова: нейронная сеть, нейросеть, FFFN.

Искусственная нейронная сеть учится с учителем. Это означает существование обучающего комплекта (датасета), который заключает образцы с истинными значениями: тегами, классами, показателями.

Искусственная нейронная сеть недаром обрела подобное название, ссылаясь к работе нейронов мозга. Под нейросетью подразумевается система единиц искусственных нейронов, функционирующих как будто нейронам мозга существ. Как и биологические, искусственные нейроны приобретают и обрабатывают информацию, затем вручают ее дальше. Взаимодействуя друг с другом, нейроны решают трудоемкие задачи. Среди них: определение класса объекта, выявление связей и обобщение данных, разделение приобретенной информации на категории на основе установленных признаков, прогнозирование и т.

Виды нейронных сетей:

1. FFFN- Нейронные сети прямого распространения и перцептроны (perceptrons, P) очень прямолинейны, они дают информацию от входа к выходу. Нейронные сети зачастую описываются в виде слоёного торта, где каждый слой складывается из входных, скрытых или выходных клеток. Клетки одного слоя не объединены между собой, а окружающие слои обычно полностью связаны. Самая бесхитростная нейронная сеть обладает двумя входными клетками и одну выходную, и сможет применяться в качестве модели логических вентилей.

2. RBF- Сети радиально-базисных функций, которые применяют радиальные базовые функции как функции активации. Более они ничем не выделяются.

3. Нейронная сеть Хопфилда (Hopfield network, HN) это полносвязная нейронная сеть с равноудаленной матрицей связей. Во время извлечения входных данных любой участок является входом, в процессе обучения он становится скрытым, а далее становится выходом. Сеть учится так: значения нейронов ставятся в согласии с желанным шаблоном, после чего рассчитываются веса, которые в последующем не меняются. После того, как сеть научилась на одном или нескольких шаблонах, она всегда будет ограничиваться к одному из них (но не всегда к желаемому). Она стабилизируется в зависимости от общей «энергии» и «температуры» сети. У каждого нейрона имеется своя граница активации, зависящий от температуры, при прохождении которого нейрон воспринимает одно из двух значений (обычно -1 либо 1, порой 0 либо 1). Подобная сеть зачастую называется сетью с ассоциативной памятью; как человек, видя часть таблицы, может представить остальную часть таблицы, так и эта сеть, заполучая таблицу, частично зашумленную, реконструирует её до полной.

4. Цепи Маркова (Markov chains, MC или discrete time Markov Chains, DTMC) это предшественники машины Больцмана (BM) и сети Хопфилда (HN). Их смысл можно пояснить так: какие мои возможности попасть в один из следующих узлов, если я нахожусь в данном? Каждое последующее положение зависит только от предыдущего. Впрочем на самом деле цепи Маркова не являются НС, они достаточно похожи. Вдобавок цепи Маркова непременно полносвязны.

5. Машина Больцмана (Boltzmann machine, BM) очень схожа с сетью Хопфилда, но в ней некоторые нейроны помечены как входные, а некоторые будто скрытые. Входные нейроны в дальнейшем делаются выходными. Машина Больцмана это вероятностная сеть. Обучение протечет по методу обратного распространения погрешности либо по алгоритму относительной расходимости. В целом процесс учебы сильно подобен на таковой у сети Хопфилда.

6. Автокодировщик (autoencoder, AE) чем-то схож с FFNN, так как это иной прием применения FFNN, нежели основательно иная архитектура. Фундаментальной идеей представляется автоматическое шифрованиеинформации. Сама сеть по форме походит на песчаные часы, в ней скрытые пласты менее входного и выходного, причём она симметрична. Сеть дозволено научить способом обратного распространения ошибки, подавая входные сведения и задавая погрешность равной разности среди входом и выходом.

7. Свёрточные нейронные сети (convolutional neural networks, CNN) и глубинные свёрточные нейронные сети (deep convolutional neural networks, DCNN) очень различаются от прочих вариантов сетей. Обычно они применяются для обрабатывания изображений, реже для аудио. Обычным методом использования CNN представляется классифицирование изображений: когда в изображении имеется кошка, сеть выведет «кошка», когда имеется собака «собака». Подобные сети обычно применяют «сканер», не парсящий всю информацию за один раз. Например, когда у вас есть картинка 200×200, вы не будете мгновенно обрабатывать все 40 тыс. пикселей. Взамен этого сеть считает клетку масштаба 20 x 20 (обычно из левого верхнего угла), впоследствии двинется на 1 пиксель и считает другой квадрат, и т.д. Эти входные данные после передаются сквозь свёрточные слои, в которых не все узлы сплочены между собой. Эти слои обладают свойство стягиваться с глубиной, причём часто применяются степени двойки: 32, 16, 8, 4, 2, 1. На практике к концу CNN прикрепляют FFNN ради последующей обработки данных. Подобные сети именуются глубинными (DCNN).

8. Развёртывающие нейронные сети (deconvolutional networks, DN), также именуемые обратными графическими сетями, являются обратным к свёрточным нейронным сетям. Представьте, что вы передаёте сети слово «кошка», а она генерирует иллюстрации с кошками, подобные реальным изображениям котов. DNN также позволено соединять с FFNN. Стоит заметить, что в большинстве случаев сети передаётся не строка, а какой двоичный вектор: например, это кошка, собака, а и кошка, и собака.

Применение нейросетей в жизни людей:

Искусственными нейронными сетями сейчас используют люди, чуждые от трудоемких математических моделей. Когда разработчики ПО поняли, что нейросети это как минимум весело, рынок приложений для телефонов наводнился программами для работы с изображениями на основании искусственных нейронных сетей. ПО для обрабатывания изображений (DeepDream, Prisma, Mlvch), «старения», замены лиц на фото. На самом деле, это значимое орудие в век соцсетей. Приложения типа известного FaceApp могут не только позабавить с ними позволено сильно поменять внешность: нанести высококлассный мейкап, поменять волосы, откорректировать черты лица. Причем сейчас все это смотрится настолько натуралистично, что едва ли с первого взора заподозришь подвох.

Нейросети готовы содействовать правоохранительным органам разыскивать преступников, бороться с наркобизнесом и терроризмом, быстро обнаруживать в интернете противозаконный контент. Как и при использовании видеокамер наблюдения, тут имеется свои сложности, ведь нейросети можно использовать как для поиска пропавших людей в отряде «Лиза Алерт», так и для ужесточения контроля над населением.

Уже есть несколько образцов проектов введения искусственных нейронных сетей в России. В ГИБДД хотят обучить нейросеть обнаруживать случай кражи машинных номеров. По изображению автомобиля ИНС сможет установить, подходит ли машина своему номеру. Это поможет вовремя обнаруживать имитацию либо кражу номеров. Руководитель Департамента транспорта Москвы Максим Ликсутов подтвердил, что данная программа сейчас проходит тестирование.

Еще один образец потенциалов нейросетей в распознавании изображений опыт Департамента информационных технологий Москвы по созданию сервиса для передачи показаний приборов учета воды. Возможно, скоро нам не понадобиться вводить данные вручную, достаточно будет только сфотографировать свой счетчик, а нейросеть сама распознает цифры с изображения.

Всемирные организации уже проанализировали ваш профиль в соцсетях и предоставляют вам персонализированную рекламу. Только представьте, что способности сетей искусственных нейронов к разбору и обобщению можно использовать для извлечения еще наибольшего массива знаний о потребителях. Например, в 2019 году McDonald’s наняла знатоков по разработке нейросетей для создания персональной рекламы.

В банковской сфере нейросети уже применяются для анализа кредитной истории клиентов и выдать заключений о выдаче кредита. Так, в 2018 году «Сбербанк» сократил 14 тысяч сотрудников, которых сменила «Интеллектуальная система управления» на основе нейросети. Вместо людей обыденные операции теперь осуществляет подготовляемый искусственный интеллект. Также финансисты обращаются к прогностическим возможностям нейросетей для работы с плохо предсказуемыми биржевыми индексами.

Нейросети уже помогают повысить качество диагностики разнообразных заболеваний. Анализируя сведения пациентов, искусственный интеллект способен выявлять риск развития сердечно-сосудистых заболеваний, об этом утверждают эксперты Ноттингемского университета. По данным исследования, наученная нейросеть предсказывает возможность инсульта точнее, чем обыкновенный доктор по общепринятой шкале.

В открытом доступе возникли даже приложения для диагностики на основе нейросетей, например, SkinVision, которое работает с снимками родинок и определяет доброкачественность либо злокачественность вашего недуга. Верность приложения 83%

Трудности нейронных сетей:

Благодаря способностям нейросетей возникли программы для смены лиц на фото и видео. Ужасно представить, какие фото и видео возможно получить, если использовать подобные программы с целью создания веских фейков. Вдобавок нейросеть сможет на основании краткого отрывка голоса досоздать синтетический голос, абсолютно похожий оригиналу. Оружие хакеров и мошенников. Считается, что хакеры могут пользоваться возможностями нейросетей для преодоления систем антивирусной защиты и создания нового поколения вредоносных программ. Также нейросети обольстительны для мошенников, например, искусственный интеллект, способный имитировать контакт с настоящим человеком и получать доверие.

Список литературы:

1. Нейросети: путь прогресса или бомба замедленного действия? — Текст: электронный // DNS-клуб: [сайт]. — URL: https://club.dns-shop.ru/blog/t-57-tehnologii/21896-neiroseti-put-progressa-ili-bomba-zamedlennogo-deistviya/ (дата обращения: 23.01.2022)
2. Нейронные сети: как работают и где используются? — Текст: электронный //GeekBrain: [сайт]. — URL: https://gb.ru/blog/nejronnye-seti/ (дата обращения: 23.01.2022)
3. Как работает нейронная сеть: алгоритмы, обучение, функции активации и потери. — Текст: электронный // Neurohive: [сайт]. — URL: https://neurohive.io/ru/osnovy-data-science/osnovy-nejronnyh-setej-algoritmy-obuchenie-funkcii-aktivacii-i-poteri/ (дата обращения: 23.01.2022)
4. Разновидности нейронных сетей. — Текст: электронный // Tproger: [сайт].— URL: https://tproger.ru/translations/neural-network-zoo-1/ (дата обращения: 23.01.2022)