Vad är ett neuralt nätverk?
Introduktion
Föreställ dig att du vill lära dig att översätta text från engelska till spanska. Du lär dig språk genom att memorera ord och fraser, deras betydelser och sammanhanget där de används. Med denna erfarenhet kommer du att kunna översätta nya texter som du aldrig har sett tidigare.
Ett annat exempel är klassificering av katter och hundar. Precis som en person lär sig att skilja dem åt genom exempel från verkliga livet, kan ett neuralt nätverk lära sig att särskilja dem från sådana exempel.
Det neurala nätverket gör något liknande. Det lär sig av exempel – det kan vara texter, bilder, ljud, vilken data som helst som vi vill att det ska bearbeta. Ett neuralt nätverk försöker, precis som en människa lär sig ett språk, identifiera mönster i denna data.
Sedan använder det dessa mönster för att utföra uppgifter såsom klassificering (fastställa vilken kategori ett objekt tillhör), regression (förutsäga ett numeriskt värde såsom priset på ett hus) eller generering (skapa nytt innehåll baserat på de inlärda mönstren). Denna process att träna ett neuralt nätverk med hjälp av exempel kallas övervakad inlärning och är det vanligaste sättet att träna det.
Att träna ett neuralt nätverk innebär att man lär det med hjälp av exempel som redan har kända svar, kallade märkta exempel. Det liknar att ge det ett prov där de rätta svaren redan är angivna, vilket gör att det kan lära sig av dessa exempel. När vi ber nätverket att göra förutsägelser, presenterar vi det för nya exempel utan svar, vilket innebär att indata är omärkta. Nätverket tillämpar då det som det har lärt sig för att själv förutsäga svaren.
Exempel på neuralt nätverk
Detta är en demonstration av ett neuralt nätverk som är särskilt utformat för att identifiera teckningar av katter och hundar.
Det hanterar ett klassificeringsproblem genom att bearbeta en indata från en initialt okänd klass och returnera den identifierade klassen.
Prova att använda det för att få en djupare förståelse.
LMB (vänster musknapp) - för att rita.
Shift + LMB - för att sudda.
Tack för dina kommentarer!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Awesome!
Completion rate improved to 4Vad är ett neuralt nätverk?
Svep för att visa menyn
Introduktion
Föreställ dig att du vill lära dig att översätta text från engelska till spanska. Du lär dig språk genom att memorera ord och fraser, deras betydelser och sammanhanget där de används. Med denna erfarenhet kommer du att kunna översätta nya texter som du aldrig har sett tidigare.
Ett annat exempel är klassificering av katter och hundar. Precis som en person lär sig att skilja dem åt genom exempel från verkliga livet, kan ett neuralt nätverk lära sig att särskilja dem från sådana exempel.
Det neurala nätverket gör något liknande. Det lär sig av exempel – det kan vara texter, bilder, ljud, vilken data som helst som vi vill att det ska bearbeta. Ett neuralt nätverk försöker, precis som en människa lär sig ett språk, identifiera mönster i denna data.
Sedan använder det dessa mönster för att utföra uppgifter såsom klassificering (fastställa vilken kategori ett objekt tillhör), regression (förutsäga ett numeriskt värde såsom priset på ett hus) eller generering (skapa nytt innehåll baserat på de inlärda mönstren). Denna process att träna ett neuralt nätverk med hjälp av exempel kallas övervakad inlärning och är det vanligaste sättet att träna det.
Att träna ett neuralt nätverk innebär att man lär det med hjälp av exempel som redan har kända svar, kallade märkta exempel. Det liknar att ge det ett prov där de rätta svaren redan är angivna, vilket gör att det kan lära sig av dessa exempel. När vi ber nätverket att göra förutsägelser, presenterar vi det för nya exempel utan svar, vilket innebär att indata är omärkta. Nätverket tillämpar då det som det har lärt sig för att själv förutsäga svaren.
Exempel på neuralt nätverk
Detta är en demonstration av ett neuralt nätverk som är särskilt utformat för att identifiera teckningar av katter och hundar.
Det hanterar ett klassificeringsproblem genom att bearbeta en indata från en initialt okänd klass och returnera den identifierade klassen.
Prova att använda det för att få en djupare förståelse.
LMB (vänster musknapp) - för att rita.
Shift + LMB - för att sudda.
Tack för dina kommentarer!
