#1. Глубокое обучение нейросетей

179 подписчиков

12+
12+

46 просмотров

2 дня назад

ПожаловатьсяНарушение авторских прав

179 подписчиков

12+
12+

46 просмотров

2 дня назад

ПожаловатьсяНарушение авторских прав
12+
12+

46 просмотров

2 дня назад

Список агрегаторов нейросетей: qiper.ru - все нейросети в одном месте Искусственный Интеллект/Нейросети/AI/ИИ 00:00:01 Введение в науку и распознавание цифр Мозг распознаёт цифры даже при низком разрешении изображения Пример с цифрой 3: изображение 28x28 пикселей, но мозг понимает, что это тройка Задача для программы: распознавать цифры по сетке пикселей 00:01:10 Введение в нейросети Машинное обучение и нейронные сети открывают новые перспективы Курс объясняет структуру нейросетей и машинное обучение с математической точки зрения Пример: создание нейросети для распознавания рукописных цифр 00:02:55 Основы нейросетей Нейрон представляет собой число от 0 до 1, например, яркость пикселя Для изображения 28x28 требуется 784 нейрона Активация нейрона определяет его яркость 00:03:44 Структура нейросети Первый слой: 784 нейрона, представляющие пиксели изображения Последний слой: 10 нейронов, по одному на каждую цифру Скрытые слои: два слоя по 16 нейронов каждый 00:04:43 Принцип работы нейросети Активации на одном слое определяют активации на следующем Процесс похож на работу мозга: срабатывание одних нейронов приводит к срабатыванию других Входное изображение активирует нейроны входного слоя 00:05:40 Распознавание элементов цифр Цифры распознаются по составным элементам: кружок, линия, линии Нейроны предпоследнего слоя распознают эти элементы Задача нейросети — сопоставить элементы с конкретными цифрами 00:06:40 Взаимодействие слоёв Кружок распознаётся по частям: короткие линии, дуги Длинная черта в цифрах 1, 4, 7 — это одна длинная линия или последовательность коротких Входное изображение активирует нейроны, распознающие фрагменты 00:08:39 Параметры сети и обучение Параметры сети определяют, как нейроны распознают элементы изображения Веса связей между нейронами используются как коэффициенты для взвешенной суммы активаций первого слоя Веса удобно представлять в виде таблицы 00:09:38 Веса и пиксели Зелёные пиксели обозначают положительные веса, красные — отрицательные Яркость пикселей отражает величину соответствующего веса Присвоение нулевых весов большинству пикселей упрощает вычисление взвешенной суммы Отрицательные веса вокруг нужных пикселей помогают точнее определить границу элемента 00:10:22 Сигмоида и смещение Взвешенная сумма преобразуется в диапазон от 0 до 1 с помощью сигмоиды Сигмоида даёт результат, близкий к 0 при большом отрицательном аргументе и близкий к 1 при большом положительном Смещение позволяет активировать нейрон только при превышении определённого значения 00:11:20 Параметры сети Каждый нейрон второго слоя связан с каждым нейроном первого слоя через веса и смещения В первом скрытом слое из 16 нейронов 784 веса и 16 смещений Всего сеть содержит около 13 тысяч параметров 00:12:20 Обучение нейросети Обучение нейросети заключается в подборе значений всех параметров Понимание параметров помогает улучшить работу сети 00:13:10 Компактная запись формулы Вектор активаций первого слоя умножается на матрицу весов Смещения объединяются в один вектор и добавляются к произведению активаций и весов Сигмоида применяется к каждому компоненту итогового вектора 00:15:16 Нейрон как функция Нейрон принимает выходные данные от предыдущего слоя и возвращает число от 0 до 1 Вся сеть — это сложная функция с 13 тысячами параметров 00:16:15 Анонс следующего видео Объяснение работы нейросети будет в следующем видео Призыв подписаться на канал 00:17:14 Функция RELU Сигмоида устарела, её заменяет функция RELU RELU убирает отрицательные значения, возвращая 0 для отрицательных значений и само значение для положительных RELU упрощает обучение масштабных нейронных сетей

Название:

#1. Глубокое обучение нейросетей