İçerik
Kaynak: Kran77 / Dreamstime.com
Paket servisi:
Derin öğrenme modelleri bilgisayarlara kendi başlarına düşünmeyi öğretiyor, bazı çok eğlenceli ve ilginç sonuçlar.
Derin öğrenme gittikçe daha fazla alana ve sektöre uygulanmaktadır. Sürücüsüz arabalardan Go oynamaya, müzik çalmaya, her gün yeni derin öğrenme modelleri ortaya çıkıyor. Burada birkaç popüler derin öğrenme modelini gözden geçiriyoruz. Bilim adamları ve geliştiriciler bu modelleri alıyor ve onları yeni ve yaratıcı şekillerde değiştiriyorlar. Umarız bu vitrin size neyin mümkün olduğunu görmeniz için ilham verebilir. (Yapay zekadaki gelişmeler hakkında bilgi edinmek için bkz. Bilgisayarlar İnsan Beynini Taklit Edebilir Mi?)
Sinir tarzı
Hiç kimse yazılım kalitesiyle ilgilenmediğinde programlama becerilerinizi geliştiremezsiniz.
Sinirsel Hikaye Anlatıcı
Sinir Öykücüsü, bir görüntü verildiğinde, görüntü hakkında romantik bir hikaye oluşturabilecek bir modeldir. Eğlenceli bir oyuncak ve yine de geleceği hayal edebiliyor ve tüm bu yapay zeka modellerinin hangi yönde hareket ettiğini görebiliyorsunuz.
Yukarıdaki işlev, modelin standart görüntü başlıklarını romanlardan öykü stiline aktarmasını sağlayan "stil değiştirme" işlemidir. Stil değiştirme, "Sanatsal Stilin Sinirsel bir Algoritması" ndan esinlenilmiştir.
Veri
Bu modelde kullanılan iki ana veri kaynağı vardır. MSCOCO, her biri beş resim yazısı içeren, yaklaşık 300.000 resim içeren bir Microsoft veri kümesidir. MSCOCO, kullanılan tek denetlenen veridir, yani insanların girmesi ve açıkça her görüntü için altyazı yazması gereken tek veridir.
İleri beslemeli bir sinir ağının ana sınırlamalarından biri, hafızasının olmamasıdır. Her tahmin, sanki ağın yaptığı ilk ve tek tahminmiş gibi, önceki hesaplamalardan bağımsızdır. Ancak, bir cümleyi veya paragrafı çevirmek gibi birçok görev için girdiler sıralı ve sürekli olarak ilgili verilerden oluşmalıdır. Örneğin, bir cümleyi tek kelimeyi çevreleyen kelimelerin sağladığı kosullar olmadan anlamlandırmak zor olacaktır.
RNN'ler farklıdır çünkü nöronlar arasında başka bir bağlantı seti eklerler. Bu bağlantılar, dizilimdeki bir sonraki adımda gizli bir katmandaki nöronlardan gelen aktivasyonların kendi kendilerine geri beslenmelerini sağlar. Başka bir deyişle, her adımda, gizli bir katman hem altındaki katmandan hem de dizideki önceki adımdan gelen aktivasyonu alır. Bu yapı temelde tekrarlayan sinir ağları belleği verir. Bu nedenle, nesne tespit görevi için, bir RNN mevcut görüntünün bir köpek olup olmadığının belirlenmesine yardımcı olmak için önceki köpek sınıflandırmalarından faydalanabilir.
Char-RNN TED
Gizli katmandaki bu esnek yapı, RNN'lerin karakter düzeyinde dil modelleri için çok iyi olmasını sağlar. Aslen Andrej Karpathy tarafından yaratılan Char RNN, bir dosyayı girdi olarak alan ve bir sıradaki bir sonraki karakteri tahmin etmeyi öğrenmek için bir RNN'i eğiten bir model. RNN, orijinal antrenman verileri gibi görünecek karakterlere göre karakter üretebilir. Çeşitli TED Sohbetlerinin transkriptlerini kullanarak bir demo eğitildi. Modeli bir veya birkaç anahtar kelimeyle besleyin, bir TED Konuşmasının ses / tarzında anahtar kelimeler hakkında bir geçiş meydana getirin.
Sonuç
Bu modeller, derin öğrenme nedeniyle mümkün olan makine zekasında yeni atılımlar göstermektedir. Derin öğrenme, daha önce çözemediğimiz sorunları çözebileceğimizi ve bu platoya henüz ulaşmadığımızı gösteriyor. Derin öğrenme inovasyonunun bir sonucu olarak, gelecek birkaç yıl boyunca sürücüsüz otomobiller gibi daha heyecan verici şeyler görmeyi bekleyin.