Rozdíl mezi neuronovou sítí a hlubokým učením
Share
klíčový rozdíl mezi neuronovou sítí a hlubokým učením je to neuronová síť funguje podobně jako neurony v lidském mozku, aby rychleji prováděla různé výpočetní úkoly, zatímco hluboké učení je speciální typ strojového učení, které napodobuje přístup učení, který lidé používají k získání znalostí.
Neuronová síť pomáhá vytvářet prediktivní modely pro řešení složitých problémů. Na druhou stranu je hluboké učení součástí strojového učení. Pomáhá rozvíjet rozpoznávání řeči, rozpoznávání obrazu, zpracování přirozeného jazyka, systémy doporučení, bioinformatika a mnoho dalších. Neuronová síť je metoda implementace hlubokého učení.
OBSAH
1. Přehled a klíčový rozdíl
2. Co je to neuronová síť
3. Co je hluboké učení
4. Srovnání bok po boku - neuronová síť vs. hluboké učení v tabulkové formě
5. Shrnutí
Co je to neuronová síť?
Biologické neurony jsou inspirací pro neuronové sítě. V lidském mozku jsou miliony neuronů a informační proces od jednoho neuronu k druhému. Neuronové sítě používají tento scénář. Vytvářejí počítačový model podobný mozku. Může provádět výpočetní složité úkoly rychleji než obvyklý systém.
Obrázek 01: Blokový diagram neuronové sítě
V neuronové síti se uzly vzájemně spojují. Každé spojení má váhu. Pokud jsou vstupy do uzlů x1, x2, x3,… a odpovídající hmotnosti jsou w1, w2, w3,…, pak je čistý vstup (y),
y = x1w1 + x2w2 + x3w3 +… .
Po použití síťového vstupu na aktivační funkci dává výstup. Aktivační funkce může být lineární nebo sigmoidní.
Y = F (y)
Pokud je tento výkon odlišný od požadovaného výkonu, hmotnost se znovu nastaví a tento proces pokračuje až do dosažení požadovaného výkonu. Tato aktualizace se provádí podle algoritmu backpropagation.
Existují dvě topologie neuronových sítí zvané feedforward a zpětná vazba. Feedforward sítě nemají zpětnou vazbu. Jinými slovy, signály proudí pouze ze vstupu na výstup. Dopředné sítě se dále dělí na jednovrstvé a vícevrstvé neuronové sítě.
Typy sítí
V sítích s jednou vrstvou se vstupní vrstva připojuje k výstupní vrstvě. Vícevrstvá neuronová síť má více vrstev mezi vstupní vrstvou a výstupní vrstvou. Tyto vrstvy se nazývají skryté vrstvy. Druhý typ sítě, kterým jsou sítě zpětné vazby, má cesty zpětné vazby. Navíc existuje možnost předat informace oběma stranám.
Obrázek 02: Vícevrstvá neuronová síť
Neuronová síť se učí modifikací hmotností spojení mezi uzly. Existují tři typy učení, jako je učení pod dohledem, učení bez dozoru a učení posílené. Při učení pod dohledem poskytne síť výstupní vektor podle vstupního vektoru. Tento výstupní vektor je porovnán s požadovaným výstupním vektorem. V případě rozdílu se hmotnosti upraví. Tento proces pokračuje, dokud se skutečný výstup neshoduje s požadovaným výstupem.
V učení bez dozoru síť identifikuje vzorce a funkce ze vstupních dat a relace pro vstupní data sama. V tomto učení se vstupní vektory podobných typů kombinují a vytvářejí shluky. Když síť získá nový vstupní vzor, poskytne výstup specifikující třídu, do které tento vstupní vzor patří. Posílení učení přijímá určitou zpětnou vazbu z prostředí. Poté síť změní váhu. To jsou metody trénování neuronové sítě. Celkově neuronové sítě pomáhají řešit různé problémy rozpoznávání vzorů.
Co je hluboké učení?
Před hlubokým učením je důležité diskutovat o strojovém učení. Poskytuje počítači schopnost učit se, aniž by byl výslovně naprogramován. Jinými slovy, pomáhá vytvářet samoučící se algoritmy pro analýzu dat a rozpoznávání vzorců pro rozhodování. Existují však určitá omezení, je obecné strojové učení. Za prvé, je obtížné pracovat s vysokorozměrnými daty nebo extrémně velkou sadou vstupů a výstupů. Může být také obtížné provést extrakci funkcí.
Hluboké učení tyto problémy řeší. Je to zvláštní typ strojového učení. Pomáhá vytvářet algoritmy učení, které mohou fungovat podobně jako lidský mozek. Hluboké neuronové sítě a opakující se neuronové sítě jsou některé architektury hlubokého učení. Hluboká neuronová síť je neuronová síť s více skrytými vrstvami. Opakující se neuronové sítě používají paměť ke zpracování sekvencí vstupů.
Jaký je rozdíl mezi neuronovou sítí a hlubokým učením?
Neuronová síť je systém, který funguje podobně jako neurony v lidském mozku, aby rychleji vykonával různé výpočetní úkoly. Hluboké učení je zvláštní typ strojového učení, které napodobuje přístup k učení, který lidé používají k získání znalostí. Neuronová síť je metoda dosažení hlubokého učení. Na druhou stranu Deep Leaning je speciální forma Machine Leaning. Toto je hlavní rozdíl mezi neuronovou sítí a hlubokým učením
Shrnutí - Neural Network vs Deep Learning
Rozdíl mezi neuronovou sítí a hlubokým učením je ten, že neuronová síť funguje podobně jako neurony v lidském mozku, aby rychleji prováděla různé výpočetní úkoly, zatímco hluboké učení je speciální typ strojového učení, které napodobuje přístup učení, který lidé používají k získání znalostí..
Odkaz:
1. „Co je to Deep Learning (Deep Neural Network)? - Definice z WhatIs.com. “ SearchEnterpriseAI. K dispozici zde
2. „Hluboké učení“. Wikipedia, Wikimedia Foundation, 30. května 2018. K dispozici zde
3.edurekaIN. Co je hluboké učení | Zjednodušené hluboké učení Výukový program pro hluboké učení Edureka, Edureka !, 10. května 2017. K dispozici zde
4.Cvičení Bod. "Umělé bloky pro budování neuronových sítí." Výukové programy Point, 8. ledna 2018. K dispozici zde
Obrázek se svolením:
1. "Umělá neuronová síť" - Geetika saini - vlastní práce, (CC BY-SA 4.0) přes Commons Wikimedia
2.'MultiLayerNeuralNetworkBigger english'By MultiLayerNeuralNetwork_english.png: Chrislbderivative work: - HELLKNOWZ ▎TALK ▎enWP TALK (CC BY-SA 3.0) přes Commons Wikimedia
