Là một tập hợp con quan trọng của Học máy, nhu cầu về đã chứng kiến sự gia tăng đáng kể, đặc biệt là trong số những người quan tâm đến việc mở khóa khả năng vô hạn của AI.Lấy cảm hứng từ sự phổ biến ngày càng tăng của Deep Learning, tôi đã nghĩ đến việc tạo ra một loạt blog sẽ hướng dẫn bạn về xu hướng mới này trong lĩnh vực Trí tuệ nhân tạo và giúp bạn hiểu tất cả về nó. Đây là blog đầu tiên trong số nhiều blog trong loạt bài này được gọi là - Hướng dẫn học sâu .
Hướng dẫn học sâu
Trong blog Hướng dẫn học sâu này, tôi sẽ giới thiệu cho bạn những điều sau đây, sẽ là nguyên tắc cơ bản cho các blog sắp tới:
trừu tượng trong c ++
- Điều gì để Deep Learning ra đời
- Học sâu là gì và nó hoạt động như thế nào?
Bạn có thể xem qua bản ghi Hướng dẫn học sâu này, nơi người hướng dẫn của chúng tôi đã giải thích các chủ đề một cách chi tiết với các ví dụ sẽ giúp bạn hiểu khái niệm này tốt hơn.
Hướng dẫn học sâu | Mạng thần kinh học sâu | Edureka
Các ứng dụng của Trí tuệ nhân tạo & Học sâu
Bây giờ hãy nghĩ về điều này, thay vì bạn làm tất cả công việc của mình, bạn có một chiếc máy để hoàn thành công việc đó cho bạn hoặc nó có thể làm điều gì đó mà bạn nghĩ là không thể. Ví dụ:
 | Dự đoán tương lai: Nó có thể giúp chúng ta dự đoán trước Động đất, Sóng thần, v.v. để có thể thực hiện các biện pháp phòng ngừa nhằm cứu nhiều sinh mạng khỏi rơi vào nanh vuốt của thiên tai. |
| Trò chuyện-bot: Tất cả các bạn đều đã nghe nói về Siri, là trợ lý ảo điều khiển bằng giọng nói của Apple. Tin tôi đi, với sự trợ giúp của Học sâu, các hỗ trợ ảo này đang trở nên thông minh hơn từng ngày. Trên thực tế, Siri có thể tự điều chỉnh theo người dùng và cung cấp hỗ trợ được cá nhân hóa tốt hơn. |
| Ô tô tự lái: Hãy tưởng tượng, sẽ khó tin đến mức nào đối với những người khuyết tật và người già, những người cảm thấy khó khăn khi tự lái xe. Ngoài ra, nó sẽ cứu hàng triệu sinh mạng vô tội gặp tai nạn đường bộ mỗi năm do lỗi của con người. |
Bác sĩ mắt của Google AI: Đó là một sáng kiến gần đây của Google, nơi họ đang làm việc với Chuỗi chăm sóc mắt của Ấn Độ để phát triển một phần mềm AI có thể kiểm tra các bản quét võng mạc và xác định một tình trạng gọi là bệnh võng mạc tiểu đường, có thể gây mù lòa. |
| AI Music Composer: Chà, ai nghĩ rằng chúng ta có thể có một nhà soạn nhạc AI bằng cách sử dụng Deep Learning. Do đó, tôi sẽ không ngạc nhiên khi biết rằng bản nhạc hay nhất tiếp theo được tạo ra bởi một chiếc máy. |
| Máy đọc sách trong mơ: Đây là một trong những mục yêu thích của tôi, một chiếc máy có thể ghi lại giấc mơ của bạn dưới dạng video hoặc thứ gì đó. Với rất nhiều ứng dụng không thực tế của AI & Deep Learning mà chúng tôi đã thấy cho đến nay, tôi không ngạc nhiên khi biết rằng điều này đã được thử nghiệm ở Nhật Bản vài năm trước trên ba đối tượng thử nghiệm và chúng có thể đạt được độ chính xác gần 60%. Đó là một điều khá khó tin nhưng lại là sự thật. |
Tôi khá chắc chắn rằng một số ứng dụng thực tế của AI & Deep Learning này sẽ khiến bạn nổi da gà. Được rồi, điều này đặt cơ sở cho bạn và bây giờ, chúng tôi đã sẵn sàng tiếp tục trong Hướng dẫn học sâu này và hiểu thế nào là Trí tuệ nhân tạo.
Trí tuệ nhân tạo là gì?
Trí tuệ nhân tạo không gì khác ngoài khả năng của một cỗ máy bắt chước hành vi thông minh của con người. AI đạt được bằng cách bắt chước bộ não con người, bằng cách hiểu cách nó nghĩ, cách nó học, quyết định và làm việc trong khi cố gắng giải quyết một vấn đề.
Ví dụ: Một máy chơi cờ vua hoặc một phần mềm được kích hoạt bằng giọng nói giúp bạn thực hiện nhiều thứ khác nhau trong iPhone của mình hoặc hệ thống Nhận dạng biển số giúp chụp biển số của một chiếc ô tô chạy quá tốc độ và xử lý nó để trích xuất số đăng ký và xác định chủ sở hữu của chiếc xe . Tất cả những điều này trước đây không dễ thực hiện Học kĩ càng . Bây giờ, chúng ta hãy hiểu các tập hợp con khác nhau của Trí tuệ nhân tạo.
Các tập hợp con của Trí tuệ nhân tạo
Cho đến bây giờ, bạn đã nghe rất nhiều về Trí tuệ nhân tạo, Học máy và Học sâu. Tuy nhiên, bạn có biết mối quan hệ giữa cả ba người họ? Về cơ bản, Học sâu là một lĩnh vực phụ của Học máy và Học máy là một lĩnh vực phụ của Trí tuệ nhân tạo như trong hình dưới đây:
Khi chúng ta nhìn vào một cái gì đó như AlphaGo , nó thường được miêu tả là một thành công lớn đối với học sâu, nhưng nó thực sự là sự kết hợp các ý tưởng từ một số lĩnh vực khác nhau của AI và học máy. Trên thực tế, bạn sẽ ngạc nhiên khi biết rằng ý tưởng đằng sau các mạng thần kinh sâu không phải là mới mà đã có từ những năm 1950. Tuy nhiên, nó có thể thực hiện trên thực tế vì khả năng tài nguyên cao cấp sẵn có ngày nay.
Vì vậy, tiếp tục trong blog hướng dẫn học sâu này, hãy cùng khám phá Học máy theo sau là những hạn chế của nó.
Học máy là gì?
Học máy là một tập hợp con của Trí tuệ nhân tạo cung cấp cho máy tính khả năng học hỏi mà không cần được lập trình rõ ràng. Trong học máy, chúng ta không phải xác định rõ ràng tất cả các bước hoặc điều kiện như bất kỳ ứng dụng lập trình nào khác. Ngược lại, máy được đào tạo trên một tập dữ liệu đào tạo, đủ lớn để tạo ra một mô hình, giúp máy đưa ra quyết định dựa trên việc học của nó.
Ví dụ: Chúng tôi muốn xác định loài hoa dựa trên chiều dài cánh hoa và đài hoa (lá của hoa) bằng cách sử dụng máy học. Sau đó, chúng ta sẽ làm điều đó như thế nào?
| Chúng tôi sẽ cung cấp tập dữ liệu hoa bao gồm các đặc điểm khác nhau của các loài hoa khác nhau cùng với các loài tương ứng của chúng vào máy của chúng tôi như bạn có thể thấy trong hình trên. Sử dụng bộ dữ liệu đầu vào này, máy sẽ tạo và đào tạo một mô hình có thể được sử dụng để phân loại hoa thành các loại khác nhau. |
| Khi mô hình của chúng tôi đã được đào tạo, chúng tôi sẽ chuyển một tập hợp các đặc điểm làm đầu vào cho mô hình. |
| Cuối cùng, mô hình của chúng tôi sẽ xuất ra loài hoa có trong tập dữ liệu đầu vào mới. Quá trình đào tạo một cỗ máy để tạo ra một mô hình và sử dụng nó để ra quyết định được gọi là Học máy . Tuy nhiên quá trình này có một số hạn chế. |
Hạn chế của Học máy
Máy học không có khả năng xử lý dữ liệu chiều cao, nơi có đầu vào và đầu ra khá lớn. Việc xử lý và xử lý loại dữ liệu như vậy trở nên rất phức tạp và cạn kiệt tài nguyên. Điều này được gọi là Lời nguyền của chiều không gian . Để hiểu điều này một cách đơn giản hơn, hãy xem xét hình ảnh sau:
| Hãy xem xét một đường dài 100 thước và bạn đã đánh rơi một đồng xu ở đâu đó trên đường. Giờ đây, khá thuận tiện để bạn tìm thấy đồng xu chỉ bằng cách đi bộ trên dây. Chính dòng này là một thực thể đơn chiều. |
| Tiếp theo, hãy xem bạn có một hình vuông cạnh 100 thước mỗi cạnh như thể hiện trong hình trên và một lần nữa, bạn đã đánh rơi một đồng xu vào đâu đó ở giữa. Bây giờ, rõ ràng là bạn sẽ mất nhiều thời gian hơn để tìm đồng xu trong hình vuông đó so với kịch bản trước đó. Hình vuông này là một thực thể 2 chiều. |
| Hãy đi trước một bước bằng cách xem xét một hình lập phương có cạnh 100 thước mỗi cạnh và bạn đã đánh rơi một đồng xu ở giữa. Giờ đây, việc tìm đồng xu lần này càng khó hơn. Khối lập phương này là một thực thể 3 chiều. |
Do đó, bạn có thể thấy độ phức tạp đang tăng lên khi kích thước ngày càng tăng.Và trong đời thực, dữ liệu chiều cao mà chúng ta đang nói đến có hàng nghìn chiều khiến việc xử lý và xử lý rất phức tạp. Dữ liệu chiều cao có thể dễ dàng được tìm thấy trong các trường hợp sử dụng như Xử lý hình ảnh, NLP, Dịch hình ảnh, v.v.
Máy học không có khả năng giải quyết các trường hợp sử dụng này và do đó, Học sâu đã ra đời giải cứu. Học sâu có khả năng xử lý dữ liệu chiều cao và cũng hiệu quả trong việc tự tập trung vào các tính năng phù hợp. Quá trình này được gọi là trích xuất tính năng. Bây giờ, hãy tiếp tục với Hướng dẫn học sâu này và hiểu cách hoạt động của học sâu.
Học sâu hoạt động như thế nào?
Trong nỗ lực tái thiết kế bộ não con người, Deep Learning nghiên cứu đơn vị cơ bản của bộ não được gọi là tế bào não hoặc tế bào thần kinh. Lấy cảm hứng từ một tế bào thần kinh, một tế bào thần kinh nhân tạo hoặc một tế bào cảm thụ đã được phát triển. Bây giờ, chúng ta hãy hiểu chức năng của tế bào thần kinh sinh học và cách chúng ta bắt chước chức năng này trong tế bào cảm thụ hoặc tế bào thần kinh nhân tạo:
Nếu chúng ta tập trung vào cấu trúc của một tế bào thần kinh sinh học, nó có các đuôi gai được sử dụng để nhận đầu vào. Các đầu vào này được tổng hợp trong thân tế bào và sử dụng Axon, nó được truyền cho tế bào thần kinh sinh học tiếp theo như thể hiện trong hình trên.
git và github có giống nhau không
Tương tự, một perceptron nhận nhiều đầu vào, áp dụng các phép biến đổi và chức năng khác nhau và cung cấp một đầu ra.
Như chúng ta biết rằng bộ não của chúng ta bao gồm nhiều nơ-ron kết nối được gọi là mạng nơ-ron, chúng ta cũng có thể có một mạng lưới nơ-ron nhân tạo được gọi là perceptron để tạo thành một mạng nơ-ron sâu. Vì vậy, hãy tiếp tục trong Hướng dẫn học sâu này để hiểu mạng nơ-ron sâu trông như thế nào.
Hướng dẫn học sâu: Học sâu là gì?
- Bất kỳ mạng nơron sâu nào cũng sẽ bao gồm ba loại lớp:
- Lớp đầu vào
- Lớp ẩn
- Lớp đầu ra
| Trong sơ đồ trên, lớp đầu tiên là lớp đầu vào nhận tất cả các đầu vào và lớp cuối cùng là lớp đầu ra cung cấp đầu ra mong muốn. |
| Tất cả các lớp ở giữa các lớp này được gọi là các lớp ẩn. Có thể có n số lớp ẩn nhờ các nguồn tài nguyên cao cấp có sẵn ngày nay. |
| Số lớp ẩn và số lượng perceptron trong mỗi lớp sẽ hoàn toàn phụ thuộc vào trường hợp sử dụng mà bạn đang cố gắng giải quyết. |
Bây giờ bạn đã có hình ảnh về Mạng thần kinh sâu, hãy tiếp tục trong Hướng dẫn học sâu này để có cái nhìn cấp cao về cách Mạng thần kinh sâu giải quyết vấn đề Nhận dạng hình ảnh.
Sử dụng Deep Learning - Trường hợp
Chúng tôi muốn thực hiện Nhận dạng hình ảnh bằng Deep Networks:
| Ở đây, chúng tôi đang chuyển dữ liệu chiều cao cho lớp đầu vào. Để phù hợp với kích thước của dữ liệu đầu vào, lớp đầu vào sẽ chứa nhiều lớp perceptron con để nó có thể sử dụng toàn bộ dữ liệu đầu vào. |
| Đầu ra nhận được từ lớp đầu vào sẽ chứa các mẫu và chỉ có thể xác định các cạnh của hình ảnh dựa trên mức độ tương phản. |
| Đầu ra này sẽ được đưa đến lớp Ẩn 1, nơi nó sẽ có thể xác định các đặc điểm khuôn mặt khác nhau như mắt, mũi, tai, v.v. |
| Bây giờ, nó sẽ được đưa vào lớp ẩn 2, nơi nó có thể tạo ra toàn bộ khuôn mặt. Sau đó, đầu ra của lớp 2 được gửi đến lớp đầu ra. |
| Cuối cùng, lớp đầu ra thực hiện phân loại dựa trên kết quả thu được từ trước đó và dự đoán tên. |
Hãy để tôi hỏi bạn một câu, điều gì sẽ xảy ra nếu bất kỳ lớp nào trong số này bị thiếu hoặc mạng nơ-ron không đủ sâu? Đơn giản, chúng tôi sẽ không thể xác định chính xác các hình ảnh. Đây là lý do tại sao những trường hợp sử dụng này không có giải pháp trong suốt những năm trước khi Học sâu. Chỉ để hiểu thêm về vấn đề này, chúng tôi sẽ cố gắng áp dụng mạng Sâu trên Tập dữ liệu MNIST.
cách tạo một gói trong java
Bộ dữ liệu Mnist bao gồm 60.000 mẫu đào tạo và 10.000 mẫu thử nghiệm các hình ảnh chữ số viết tay. Nhiệm vụ ở đây là đào tạo một mô hình có thể xác định chính xác chữ số có trên hình ảnh.
- Để giải quyết trường hợp sử dụng này, một mạng Deep sẽ được tạo với nhiều lớp ẩn để xử lý tất cả 60.000 hình ảnh từng pixel và cuối cùng chúng ta sẽ nhận được một lớp đầu ra.
- Lớp đầu ra sẽ là một mảng có chỉ số từ 0 đến 9, trong đó mỗi chỉ số tương ứng với chữ số tương ứng. Chỉ số 0 chứa xác suất 0 là chữ số có trên hình ảnh đầu vào.
Tương tự, chỉ số 2 có giá trị 0,1, thực sự đại diện cho xác suất 2 là chữ số có trên hình ảnh đầu vào. Vì vậy, nếu chúng ta thấy xác suất cao nhất trong mảng này là 0,8, nằm ở chỉ số 7 của mảng. Do đó con số hiện trên hình ảnh là 7.
Phần kết luận
Tóm lại, đây là tất cả về học sâu. Trong hướng dẫn học sâu này, chúng tôi đã thấy các ứng dụng khác nhau của học sâu và hiểu mối quan hệ của nó với AI và Học máy. Sau đó, chúng tôi hiểu cách chúng tôi có thể sử dụng perceptron hoặc một khối cơ bản của nơ-ron nhân tạo để tạo ra mạng nơ-ron sâu có thể thực hiện các nhiệm vụ phức tạp như vậy. Cuối cùng, chúng tôi đã trải qua một trong những trường hợp sử dụng của học sâu trong đó chúng tôi thực hiện nhận dạng hình ảnh bằng mạng nơ-ron sâu và hiểu tất cả các bước diễn ra phía sau hậu trường. Bây giờ, trong blog tiếp theo của loạt bài Hướng dẫn Học sâu này, chúng ta sẽ tìm hiểu cách triển khai perceptron bằng cách sử dụng TensorFlow, là một thư viện dựa trên Python cho Học sâu.
Bây giờ bạn đã biết về Học sâu, hãy xem của Edureka, một công ty học trực tuyến đáng tin cậy với mạng lưới hơn 250.000 người học hài lòng trải dài trên toàn cầu. Khóa học Edureka Deep Learning with TensorFlow Certification Training giúp người học trở thành chuyên gia trong việc đào tạo và tối ưu hóa mạng nơ ron cơ bản và tích hợp bằng cách sử dụng các dự án và bài tập thời gian thực cùng với các khái niệm như chức năng SoftMax, Mạng lưới thần kinh mã hóa tự động, Máy Boltzmann hạn chế (RBM).
Có một câu hỏi cho chúng tôi? Vui lòng đề cập đến nó trong phần bình luận và chúng tôi sẽ liên hệ lại với bạn.