یادگیری عمیق به زبان ساده : ۳ دلیل برای عمیق شدن – قسمت سوم

با وجود گزینه های جایگزین بسیاری که در دسترس است، چرا از شبکه های عصبی برای یادگیری عمیق استفاده می شود؟ شبکه های عصبی در تشخیص الگوی پیچیده برتری دارند و می توانند به سرعت با استفاده از پردازنده گرافیکی (GPU) آموزش داده شوند.

از نظر تاریخی کامپیوترها فقط برای کارهایی مفید بوده اند که می توانیم با یک لیست دقیق از دستورالعمل ها توضیح دهیم. به همین دلیل ، آن ها در برنامه هایی که وظیفه مورد نظر فازی است ، مانند شناخت الگوهای ، شکست بخورند. شبکه های عصبی با پیشبرد ادراک ماشین ، این شکاف را در توانایی های محاسباتی ما پر می کنند؛ یعنی آن ها به رایانه ها این امکان را می دهند تا در مورد ورودی های محیطی قضاوت های پیچیده ای انجام دهند. بسیاری از هیجانات اخیر در زمینه هوش مصنوعی ناشی از پیشرفت در استفاده از شبکه های عصبی عمیق بوده است.

شبکه های عصبی برای داده هایی با الگوهای ساده محاسبات سنگینی دارند. در چنین مواردی شما باید از مدلی مانند رگرسیون منطقی ( Logistic Regression ) یا ماشین بردار پشتیبان ( SVM ) استفاده کنید. با افزایش پیچیدگی الگوی ، شبکه های عصبی شروع به بهتر شدن از سایر روش های یادگیری ماشین می کنند. در بالاترین سطح پیچیدگی الگوی – به عنوان مثال تصاویر با وضوح بالا – شبکه های عصبی با تعداد لایه های کم، نیاز به تعدادی گره دارند که با تعداد الگوهای منحصر به فرد، رشد نمایی می کند. حتی در این صورت ، شبکه احتمالاً وقت زیادی برای آموزش می خواهد ، یا به سادگی نمی تواند نتایج دقیقی را به دست آورد.

آیا تا به حال در پروژه های یادگیری ماشین خود این مشکل را داشته اید؟ لطفا نظرات خود را با ما به اشتراک بگذارید.

در نتیجه ، شبکه های عمیق در واقع تنها انتخاب عملی برای الگوهای بسیار پیچیده مانند چهره انسان هستند. دلیل آن این است که قسمت های مختلف شبکه می توانند الگوهای ساده تری را تشخیص دهند و سپس آن ها را با هم ترکیب کنند تا الگوی پیچیده تری را تشخیص دهند. به عنوان مثال ، یک شبکه کانولوشنی می تواند ویژگی های ساده ای مانند لبه ها را تشخیص دهد ، که می توانند با هم ترکیب شوند تا ویژگی های صورت مانند بینی و چشم ها را ایجاد کنند ، که سپس برای شکل دادن صورت، با یک دیگر ترکیب می شوند (اعتبار: Andrew Ng). شبکه های عمیق می توانند این کار را به صورت دقیق انجام دهند؛ در حقیقت ، یک شبکه عمیق ساخته شده توسط گوگل برای اولین بار با تشخیص الگوی ، یک انسان را شکست داد.

با این حال ، قدرت شبکه های عمیق با یک هزینه زیاد و قدرت محاسباتی بالا همراه است. منابع مورد نیاز برای آموزش مؤثر یک شبکه عمیق در سال های اولیه شبکه های عصبی گران قیمت بود. با این حال ، به لطف پیشرفت در پردازنده های گرافیکی (GPU)  با کارایی بالا در دهه گذشته ، این مسئله دیگر مشکل ساز نیست. شبکه های پیچیده ای که روزگاری برای آموزش به آن ها ماه ها نیاز داشت ، اکنون آموزش آن ها فقط چند روز طول می کشد.

منبع Youtube

همچنین ببینید

فناوری تشخیص چهره و کاربردهای آن، تاریخچه تکنولوژی تشخیص چهره

فناوری تشخیص چهره و کاربردهای آن + تاریخچه

فناوری تشخیص چهره یک فناوری بیومتریک است که با استفاده از تجزیه و تحلیل الگوهایی …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *