В одной статье представлены CNN/RNN/GAN/Transformer и другие архитектуры! !
В одной статье представлены CNN/RNN/GAN/Transformer и другие архитектуры! !
Каталог статей

Предисловие

1. Сверточная нейронная сеть (CNN)

2. Рекуррентная нейронная сеть (RNN).

3. Генеративно-состязательная сеть (GAN)

4. Трансформаторная архитектура

5. Архитектура кодировщика-декодера


Предисловие

Цель этой статьи — представить глубокое обучение Архитектуре.,включатьСверточная нейронная сетьCNNРекуррентная нейронная сеть RNNГенеративно-состязательная сетьGANTransformerиEncoder-DecoderАрхитектура。


1. Сверточная нейронная сеть (CNN)

Сверточная нейронная сеть CNN — это искусственная нейронная сеть, предназначенная для обработки и анализа данных с сеточной топологией, таких как изображения и видео. Думайте о CNN как о многоуровневом фильтре, который обрабатывает изображения для извлечения значимых функций и делает логические прогнозы.

представлять себе,Допустим, у нас есть изображение рукописных цифр.,Я надеюсь, что компьютер сможет распознать этот номер。CNNработает путем применения к изображению серии фильтров,Постепенно извлекаются все более сложные функции. Мелкие фильтры обнаруживают простые объекты, такие как края и линии.,Более глубокие фильтры обнаруживают более сложные элементы узора, такие как формы и числа.

Слои CNN можно разделить на три типа: сверточный уровень, уровень пула и полносвязный уровень.

  • Сверточный слой:Эти слои применяют фильтры к изображению.,Каждый фильтр скользит по изображению.,Вычислите скалярное произведение между фильтром и его покрывающими пикселями. Этот процесс создаст новую карту объектов.,Выделите определенные закономерности на изображении. Этот процесс повторяется несколько раз с разными фильтрами.,В результате получается набор карт объектов, отражающих различные аспекты изображения.
  • Слой объединения:Слой объединения выполняет операцию понижения разрешения на карте объектов.,Уменьшите пространственный размер данных, сохранив при этом важные функции. Это помогает снизить вычислительную сложность,Предотвратите переоснащение. Самый распространенный тип пула — максимальный пул.,Он выбирает максимальное значение из небольшого окружения пикселей.
  • Полносвязный слой:Эти слои аналогичны традиционным нейронным слоям.сеть Слои похожи на。Они соединяют каждый нейрон одного слоя с каждым нейроном следующего слоя.соединятьвставать。сверткаслойи Объединениеслой Вывод будет сглажен и пропущен черезили Несколько полныхсоединятьслой,что позволяет сети сделать окончательный прогноз,Например, распознавать цифры на изображениях.

Таким образом, CNN — это тип нейронной сети, предназначенный для обработки неструктурированных данных, таких как изображения. Он работает путем применения к изображению ряда фильтров или функций ядра, постепенно извлекая более сложные функции. Затем слой объединения используется для уменьшения пространственного измерения и предотвращения переобучения. Наконец, выходные данные будут переданы через полностью подключенный слой для окончательного прогнозирования.

2. Рекуррентная нейронная сеть (RNN).

Рекуррентная нейронная сеть RNN — это искусственная нейронная сеть, предназначенная для обработки последовательных данных, таких как временные ряды, речь и естественный язык. Думайте о RNN как о конвейерной ленте, обрабатывающей информацию по одному элементу за раз, тем самым «запоминая» информацию о предыдущем элементе и делая прогнозы о следующем элементе.

Представьте, что у нас есть строка слов, и мы хотим, чтобы компьютер сгенерировал следующее слово в строке. RNN работает, обрабатывая каждое слово в последовательности по одному и используя информацию из предыдущего слова для прогнозирования следующего слова.

Ключевым компонентом RNN является рекурсивное соединение. Это позволяет информации перетекать от одного временного шага к другому. Рекурсивное соединение — это соединение внутри нейрона, которое «запоминает» информацию с предыдущего временного шага.

RNN можно разделить на три основные части: входной уровень, рекуррентный уровень и выходной уровень.

  • Входной слой:входитьслой接收每个时刻的входить信息,Например, слово в последовательности.
  • Рекурсивный слой:рекурсияслой处理来自входитьслойинформация,Используйте рекурсиясоединять, чтобы «запомнить» информацию из предыдущего момента. Слой рекурсии содержит группу нейронов,Каждый нейрон имеет связь сам с собой,И с вводом текущего момента соединять.
  • Выходной слой:выходслойв соответствии срекурсияслой处理информация生成预测结果。В случае генерации следующего слова в последовательности,Выходной слой прогнозирует слово, которое с наибольшей вероятностью появится после предыдущего слова в последовательности.

Короче говоря, RNN — это нейронная сеть, используемая для обработки последовательных данных. Она обрабатывает информацию по одному элементу за раз и использует рекурсивные соединения для «запоминания» информации предыдущего элемента. Рекуррентные уровни позволяют сети обрабатывать целые последовательности, что делает ее идеальной для таких задач, как языковой перевод, распознавание речи и прогнозирование временных рядов.

3. Генеративно-состязательная сеть (GAN)

Генеративно-состязательная сетьGAN — это тип глубокого обучения.,Он использует две нейронные сети (генератор и дискриминатор) для создания новых, реалистичных данных. Думайте о GAN как о двух конкурирующих артистах.,человек создает фальшивое искусство,Другой пытается различить, что истинно, а что ложно.

Цель GAN — генерировать высококачественные образцы реальных данных в различных областях, таких как изображения, аудио и текст. Сеть генератора создает новые образцы, а сеть дискриминатора оценивает подлинность сгенерированных образцов. Две сети обучаются одновременно состязательным образом: генератор пытается генерировать более реалистичные образцы, в то время как дискриминатор лучше обнаруживает поддельные образцы.

Двумя основными компонентами GAN являются следующие:

  • Генератор:генераторсеть Отвечает за создание новых образцов.。В качестве входных данных принимается вектор случайного шума.,и генерировать выходные образцы,Например, изображения или предложения. Генератор измеряет разницу между сгенерированными выборками и реальными данными путем минимизации функции потерь.,Таким образом, обучение генерирует более реалистичные образцы.
  • Дискриминатор:дискриминаторсеть Оценить подлинность созданных образцов。В качестве входных данных принимается образец,Затем выведите вероятность,Указывает, является ли образец реальным или поддельным. Дискриминатор измеряет разницу между вероятностями реальных выборок и сгенерированных выборок с помощью функции потерь.,Тем самым обучая дискриминатор различать настоящие и поддельные образцы.

Противостояние GAN проистекает из конкуренции между генератором и дискриминатором. Генератор пытается сгенерировать более реалистичные образцы, чтобы обмануть дискриминатор, в то время как дискриминатор пытается улучшить свою способность различать настоящие и поддельные образцы. Этот процесс продолжается до тех пор, пока генератор не выдаст высококачественные реалистичные данные, которые трудно отличить от реальных данных.

Суммируя,GAN — это тип глубокого обучения.,Он использует две нейронные сети (генератор и дискриминатор) для создания новых реальных данных. Генератор создает новые образцы,Дискриминатор оценивает подлинность образца. Две сети тренируются в конфронтационной манере.,Генератор создает более реалистичные образцы,Дискриминатор улучшает способность обнаруживать истинные и ложные выборки. В настоящее время GAN можно использовать в различных областях.,Например, генерация изображений и видео, синтез музыки и синтез текста в изображение и т. д.

4. Трансформаторная архитектура

TransformerЭто нервсеть Архитектура,Широко используется в задачах НЛП по обработке естественного языка.,как переведено、Классификация текстаисистема вопросов и ответов。Они в2017Основополагающие статьи, опубликованные в“Attention Is All You Need”введено в。

Думайте о Трансформере как о сложной языковой модели, которая обрабатывает текст, разбивая его на более мелкие части и анализируя отношения между ними. Затем модель может генерировать последовательные и плавные ответы на различные запросы.

Трансформер состоит из множества повторяющихся модулей, называемых слоями. Каждый слой содержит два основных компонента:

  • Механизм самообслуживания:Механизм самообслуживания позволяет модели анализировать взаимосвязь между различными частями входного текста.。Он работает путем присвоения веса каждому слову во входной последовательности.,показать его актуальность в текущем контексте. так,Модель может сосредоточиться на важных словах.,И преуменьшайте важность менее важных слов.
  • Нейронная сеть прямого распространения:нерв прямой связисеть是处理自我注意机制выход的多слойперсептрон。Они отвечают за изучение сложных взаимосвязей между словами во входном тексте.。

Ключевым нововведением Transformer является использование механизма самообслуживания, который позволяет модели эффективно обрабатывать длинные последовательности текста без необходимости выполнения дорогостоящих рекурсивных или сверточных операций. Это делает Трансформер эффективным в вычислительном отношении и способным эффективно выполнять различные задачи НЛП.

Проще говоря,Трансформер — мощная нейронная сеть Архитектура,Разработан специально для задач обработки естественного языка. Они работают, разбивая текст на более мелкие части.,И обрабатывайте текст, анализируя взаимосвязь между сегментами с помощью механизма самообслуживания. так,Модель может генерировать последовательные и плавные ответы на различные запросы.

5. Архитектура кодировщика-декодера

Архитектура кодировщика-декодера очень популярна в задачах НЛП по обработке естественного языка. Они часто используются в задачах последовательности в последовательности.,например машинный перевод,Его цель — преобразовать входной текст на одном языке (исходном языке) в соответствующий текст на другом языке (целевом языке).

Подумайте о кодировщике-декодере как о переводчике, который слушает человека, говорящего на иностранном языке, и одновременно переводит его на родной язык слушателя.

Архитектура состоит из двух основных частей:

  • Кодировщик:Кодер получает входную последовательность(исходный текст)и обработать их по порядку,создать компактное представление,обычно называется context vector или context embedding。Это представление обобщает входную последовательность,и содержит информацию о его синтаксисе、семантикаи上下文информация。Кодер может бытьрекурсиянервсетьRNN,Это также может бытьTransformer,Это зависит от конкретной задачи и способа ее реализации.
  • Декодер:Декодер принимает вектор контекста, сгенерированный кодером.,Сгенерируйте выходную последовательность (целевой текст) элемент за элементом. Декодером обычно является рекурсия нейронной сети или Transformer.,Аналогично энкодерам. Он прогнозирует следующее слово в целевой последовательности на основе предыдущих слов и информации, содержащейся в векторе контекста.,Это, в свою очередь, генерирует выходную последовательность.

Во время обучения декодер получает реальные целевые последовательности, и его цель — предсказать следующее слово в последовательности. Во время вывода декодер получает текст, сгенерированный до этого момента, и использует его для предсказания следующего слова.

Суммируя,Encoder-decoder Архитектура — популярный метод в задачах обработки естественного языка.,Особенно подходит для решения задач последовательность-последовательность,например машинный перевод。Должен Архитектурас помощью кодировщикаи Декодер состоит из,Кодер отвечает за обработку входной последовательности и создание компактного векторного представления.,Декодер отвечает за генерацию выходной последовательности на основе этого представления. так,Модель может переводить входной текст на одном языке в соответствующий текст на другом языке.

boy illustration
Неразрушающее увеличение изображений одним щелчком мыши, чтобы сделать их более четкими артефактами искусственного интеллекта, включая руководства по установке и использованию.
boy illustration
Копикодер: этот инструмент отлично работает с Cursor, Bolt и V0! Предоставьте более качественные подсказки для разработки интерфейса (создание навигационного веб-сайта с использованием искусственного интеллекта).
boy illustration
Новый бесплатный RooCline превосходит Cline v3.1? ! Быстрее, умнее и лучше вилка Cline! (Независимое программирование AI, порог 0)
boy illustration
Разработав более 10 проектов с помощью Cursor, я собрал 10 примеров и 60 подсказок.
boy illustration
Я потратил 72 часа на изучение курсорных агентов, и вот неоспоримые факты, которыми я должен поделиться!
boy illustration
Идеальная интеграция Cursor и DeepSeek API
boy illustration
DeepSeek V3 снижает затраты на обучение больших моделей
boy illustration
Артефакт, увеличивающий количество очков: на основе улучшения характеристик препятствия малым целям Yolov8 (SEAM, MultiSEAM).
boy illustration
DeepSeek V3 раскручивался уже три дня. Сегодня я попробовал самопровозглашенную модель «ChatGPT».
boy illustration
Open Devin — инженер-программист искусственного интеллекта с открытым исходным кодом, который меньше программирует и больше создает.
boy illustration
Эксклюзивное оригинальное улучшение YOLOv8: собственная разработка SPPF | SPPF сочетается с воспринимаемой большой сверткой ядра UniRepLK, а свертка с большим ядром + без расширения улучшает восприимчивое поле
boy illustration
Популярное и подробное объяснение DeepSeek-V3: от его появления до преимуществ и сравнения с GPT-4o.
boy illustration
9 основных словесных инструкций по доработке академических работ с помощью ChatGPT, эффективных и практичных, которые стоит собрать
boy illustration
Вызовите deepseek в vscode для реализации программирования с помощью искусственного интеллекта.
boy illustration
Познакомьтесь с принципами сверточных нейронных сетей (CNN) в одной статье (суперподробно)
boy illustration
50,3 тыс. звезд! Immich: автономное решение для резервного копирования фотографий и видео, которое экономит деньги и избавляет от беспокойства.
boy illustration
Cloud Native|Практика: установка Dashbaord для K8s, графика неплохая
boy illustration
Краткий обзор статьи — использование синтетических данных при обучении больших моделей и оптимизации производительности
boy illustration
MiniPerplx: новая поисковая система искусственного интеллекта с открытым исходным кодом, спонсируемая xAI и Vercel.
boy illustration
Конструкция сервиса Synology Drive сочетает проникновение в интрасеть и синхронизацию папок заметок Obsidian в облаке.
boy illustration
Центр конфигурации————Накос
boy illustration
Начинаем с нуля при разработке в облаке Copilot: начать разработку с минимальным использованием кода стало проще
boy illustration
[Серия Docker] Docker создает мультиплатформенные образы: практика архитектуры Arm64
boy illustration
Обновление новых возможностей coze | Я использовал coze для создания апплета помощника по исправлению домашних заданий по математике
boy illustration
Советы по развертыванию Nginx: практическое создание статических веб-сайтов на облачных серверах
boy illustration
Feiniu fnos использует Docker для развертывания личного блокнота Notepad
boy illustration
Сверточная нейронная сеть VGG реализует классификацию изображений Cifar10 — практический опыт Pytorch
boy illustration
Начало работы с EdgeonePages — новым недорогим решением для хостинга веб-сайтов
boy illustration
[Зона легкого облачного игрового сервера] Управление игровыми архивами
boy illustration
Развертывание SpringCloud-проекта на базе Docker и Docker-Compose