Рахыев Д.Б., Назгелдиев А.М.
НЕЙРОННЫЕ СЕТИ В КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЯХ *
Аннотация:
в данной статье рассматриваются особенности построения и эксплуатации нейронных сетей и их развитие. Приведены методы и стратегии влияния системы развития искусственного интеллекта на эффективность компьютерных вычислений. Даны рекомендации по внедрению технологий в отрасль
Ключевые слова:
анализ, метод, исследование, инновации, технологии
УДК 004.03
Рахыев Д.Б.
преподаватель кафедры
«Компьютерные и информационно-коммуникационные технологии»
Институт инженерно-технических и транспортных коммуникаций
(Туркменистан, г. Ашгабад)
Назгелдиев А.М.
преподаватель кафедры
«Компьютерные и информационно-коммуникационные технологии»
Институт инженерно-технических и транспортных коммуникаций
(Туркменистан, г. Ашгабад)
НЕЙРОННЫЕ СЕТИ В КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЯХ
Аннотация: в данной статье рассматриваются особенности построения и эксплуатации нейронных сетей и их развитие. Приведены методы и стратегии влияния системы развития искусственного интеллекта на эффективность компьютерных вычислений. Даны рекомендации по внедрению технологий в отрасль.
Ключевые слова: анализ, метод, исследование, инновации, технологии.
Существует множество приложений нейронных сетей. Одним из распространенных примеров является способность камеры вашего смартфона распознавать лица.
Беспилотные автомобили оснащены несколькими камерами, которые пытаются распознавать другие транспортные средства, дорожные знаки и пешеходов с помощью нейронных сетей и соответствующим образом поворачивать или регулировать их скорость.
Нейронные сети также стоят за текстовыми предложениями, которые вы видите при написании текстов или электронных писем, и даже в онлайн-инструментах для перевода.
Нейронная сеть — это сеть искусственных нейронов, запрограммированных в программном обеспечении. Он пытается имитировать человеческий мозг, поэтому в нем много слоев «нейронов», как и в нашем мозгу. Первый слой нейронов будет получать входные данные, такие как изображения, видео, звук, текст и т. д. Эти входные данные проходят через все слои, поскольку выходные данные одного слоя передаются в следующий слой.
Возьмем в качестве примера нейронную сеть, обученную распознавать собак и кошек. Первый слой нейронов разобьёт это изображение на светлые и тёмные области. Эти данные будут переданы на следующий слой для распознавания ребер. Затем следующий слой попытается распознать формы, образованные комбинацией ребер. Данные будут проходить через несколько слоев аналогичным образом, чтобы окончательно определить, является ли изображение, которое вы ему показали, собакой или кошкой, в соответствии с данными, на которых оно было обучено.
На самом деле нейронные сети были изобретены очень давно, в 1943 году, когда Уоррен МакКаллох и Уолтер Питтс создали вычислительную модель нейронных сетей на основе алгоритмов. Затем идея впала в долгую спячку, потому что огромных вычислительных ресурсов, необходимых для построения нейронных сетей, еще не было.
В последнее время эта идея получила широкое распространение благодаря передовым вычислительным ресурсам, таким как графические процессоры (GPU). Это чипы, которые использовались для обработки графики в видеоиграх, но оказалось, что они отлично подходят и для обработки данных, необходимых для работы нейронных сетей. Вот почему мы сейчас наблюдаем распространение нейронных сетей.
Искусственные нейронные сети (ИНС) состоят из слоев узлов, содержащих входной слой, один или несколько скрытых слоев и выходной слой. Каждый узел или искусственный нейрон соединяется с другим и имеет соответствующий вес и порог. Если выход любого отдельного узла превышает указанное пороговое значение, этот узел активируется, отправляя данные на следующий уровень сети. В противном случае данные не передаются на следующий уровень сети.
Нейронные сети полагаются на обучающие данные, чтобы учиться и улучшать свою точность с течением времени. Однако, как только эти алгоритмы обучения будут настроены на точность, они станут мощными инструментами в области компьютерных наук и искусственного интеллекта, позволяющими нам классифицировать и кластеризовать данные с высокой скоростью. Задачи распознавания речи или изображений могут занимать минуты, а не часы, по сравнению с идентификацией вручную экспертами-людьми. Одной из самых известных нейронных сетей является поисковый алгоритм Google.
Нейронные сети с прямой связью, или многослойные персептроны (MLP), — это то, на чем мы в основном сосредоточились в этой статье. Они состоят из входного слоя, скрытого слоя или слоев и выходного слоя. Хотя эти нейронные сети также обычно называют MLP, важно отметить, что на самом деле они состоят из сигмовидных нейронов, а не персептронов, поскольку большинство реальных задач нелинейны. Данные обычно вводятся в эти модели для их обучения, и они являются основой для компьютерного зрения, обработки естественного языка и других нейронных сетей.
Сверточные нейронные сети (CNN) похожи на сети прямой связи, но они обычно используются для распознавания изображений, распознавания образов и/или компьютерного зрения. Эти сети используют принципы линейной алгебры, в частности матричное умножение, для выявления закономерностей в изображении.
Рекуррентные нейронные сети (RNN) идентифицируются по их петлям обратной связи. Эти алгоритмы обучения в основном используются при использовании данных временных рядов для прогнозирования будущих результатов, таких как прогнозы фондового рынка или прогнозирование продаж.
СПИСОК ЛИТЕРАТУРЫ:
Номер журнала Вестник науки №12 (57) том 3
Ссылка для цитирования:
Рахыев Д.Б., Назгелдиев А.М. НЕЙРОННЫЕ СЕТИ В КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЯХ // Вестник науки №12 (57) том 3. С. 444 - 447. 2022 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/6804 (дата обращения: 20.04.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2022. 16+