Hver mun vinna? ;) (bara grínast, þetta er ekki keppni)

Kettir vs hundar sem nota AI

Hefur þú einhvern tíma heyrt setninguna „Það rignir ketti og hunda!“? Ef svo er, hefur þú sennilega fallist á þá staðreynd að það er einfaldlega setning og ekkert meira. Það er vatn sem hellist úti, ekki yndisleg dýr.

En hvað ef það var ekki bara setning? Ég er viss um að þú myndir (eða að minnsta kosti ég myndi) hlaupa að glugganum og skoða fjölbreytni dýra. Persneskir kettir, bulldogs, gullnir labradors, munchkin kettir (já það er EKKI nafn, ekki koma til mín), amerískir krulla og fleira.

Við skulum vera raunveruleg. Stundum geturðu ekki sagt hvaða kött eða hvaða hund er hver, en það þýðir ekki að þú elskir þá ekki eins.

En… giska á hvað?
Veistu tölvur, þessir virkilega flottu hlutir sem gera líf okkar 1000x auðveldara? Tölvur geta ekki sagt CATS fyrir utan DOGS, miklu minna greina frá tegundunum. Þeir geta að minnsta kosti ekki sagt þeim frá sér.

Samt .. kannski gætum við hjálpað þeim. Ég veit hvað við gætum hjálpað þeim (og þú gerir það sennilega líka)! Mjög lúmskur vísbending: Það er í titlinum.

Nú, hvað er AI? Gervigreind, AI, er kenning og þróun tölvukerfa sem geta sinnt verkefnum sem venjulega krefjast mannlegrar greindar, svo sem sjónrænni skynjun, talþekkingu, ákvarðanatöku og þýðingu á milli tungumála. Það er mjög ört vaxandi atvinnugrein.

En við skulum einbeita okkur að ákveðnum hluta. Samskipta taugakerfi.

Samskipta taugakerfi

Hefðbundin taugakerfi eða flokkun mynda í meginatriðum frá CNN. Fullkomið, ekki satt? Í eitt skipti mun ég ekki segja nei.

Allt í lagi, þetta var óljóst. Leyfðu mér að útskýra þau nánar.

Samskiptanet eru tegund taugakerfis. Þeir flokka myndir með því að vera ‘þjálfaðir’. Hérna er mynd sem sýnir hvernig þau vinna!

Í fyrsta lagi er það innslagslagið. Þetta er raunveruleg mynd. Síðan förum við það í gegnum þrengingarlagið og leggjum það síðan í gegnum hámarks sameiningarlagið. Samskeytislagið er þar sem þeir 'skanna' lotur myndarinnar og einfalda þær.

Hámarks sameiningarlagið er þar sem vélin skiptir myndinni í fjóra ferninga og geymir stærsta gildi í hverju veldi og einfaldar myndina. Svo endurtökum við þetta enn og aftur. Eftir þetta eru þessi lög flöt og flokkuð.

Þetta hljómar flott, ekki satt? En ég er viss um að flest ykkar vilja vita hvernig á að kóða þetta. Ég mun ekki endurtaka nákvæma námskeiðið hér, því það er nú þegar einn, og að mínu mati, ef það er þegar til einskonar tilgangslaus.

Ef þú ætlaðir að fylgja honum, þá er tengillinn hér að ofan, hann verður opnaður þegar þú smellir á „nákvæma kennsluefni“. Einnig PSA: Gagnapakkinn fyrir þetta er á Kaggle. Ekki pynta þig við að reyna að finna það.

Reiknirit (skrefin)

Ég ætla að tala um reikniritið! (Já, drag and drop coding Á EINNIG að nota nema að pynta saklaus börn.) Haha, færðu brandarann ​​minn? Nei? Það er í lagi.

Í fyrsta lagi byrjaði ég á því að skilgreina öll gildi. Þegar ég gerði þetta kom ég með og skilgreindi myndastærð, prófunar- og þjálfunarlíkönin og námshraða vélarinnar. Ég flutti líka inn tæknina sem ég myndi nota (tqdm) og eiginleika sem ég þyrfti.

Í öðru lagi gerði ég aðgerð þannig að þegar þjálfuðu myndirnar fóru í gegnum, þá vissi tölvan hver var hver var og aðgreindi þær.

Næst smíðaði ég aðgerðir til að vinna úr myndunum til þjálfunar. Þetta var til að ganga úr skugga um að þegar myndirnar gengu í gegn myndu þær ekki bara sitja þar og þær yrðu í raun unnar.

Eftir þetta bjó ég til aðgerð til að vinna úr prófunargögnum. Þetta eru gögnin sem ég myndi prófa nákvæmni CNN mín með!

Síðan rak ég þjálfunina til að prófa vélina mína. Hliðarbréf: Það hjálpar virkilega ef þú ert með TQDM. Þú getur séð hversu langt það er með þjálfun og þú þarft ekki að bíða í blindni. (Nei, ég fékk ekki kostun (ég vildi)!)

Allt í lagi, svo þetta var allt bara kynning og forvinnsla. Nú skulum við komast inn í raunverulegt efni (bara grínast, þetta efni var líka raunverulegt).

Nú erum við að byggja upp og þjálfa raunverulega taugakerfið.

Í fyrsta lagi bý ég til 2-laga samfelld taugakerfi. Þetta er nokkuð sjálfskýrt, en það eru inn- og úttakslög (já).

Næst býrð til if fullyrðingu sem gerir þér kleift að vista líkanið sjálfkrafa þegar þjálfun hefst vegna þess að við viljum ekki missa gögnin og árangurinn.

Eftir þetta er það frekar auðvelt. Þú þjálfar líkanið þitt einfaldlega tonn af sinnum þar til nákvæmni hennar er meiri og þá geturðu prófað það á gildum sem hún veit ekki raunveruleg auðkenni. Töff, ekki satt?

Heillandi forrit

Eins og þú sérð var þetta svolítið flókið. Sem betur fer, þetta er með svo mörg flott forrit (eða annars myndi ég ekki koma með það eða tala svona mikið um það).

Grein sem þú gætir bara séð frá mér fljótlega fjallar um að aðgreina senescent frumur frá öðrum frumum. Til að vitna í síðustu AI grein mína,

„Þetta er gríðarlegt vandamál. Seðlabankafrumur eru „uppvakninga“ frumur sem reika um líkama þinn (betur lýst sem frumum sem eru í ríkinu milli dauðra og lifandi). Þeir hafa einnig mikil áhrif á öldrun og hafa ekki neina lífmerkara sem eru sérstaklega fyrir sig.

Líffræðimarkaðir eru samkvæmt Google (stöðugur bjargvættur okkar): mælanlegt efni í lífveru sem er til marks um eitthvert fyrirbæri eins og sjúkdóma, sýkingu eða umhverfisáhrif. Rósir hafa vaxtarstopp og stækkun (stundum þar til þeir tvöfaldast að stærð) sem þeirra. “

Við gætum notað truflað taugakerfi til að greina eiginleika þeirra og aðgreina senescent frumur frá öðrum frumum.

Annað sem við gætum gert með því að nota CNN er náttúruleg málvinnsla. Þeir geta framkvæmt margt, svo sem tilfinningagreiningu. Þeir greina texta og viðhorf hans og fyrirætlanir og prófa síðan líkan þeirra með ómerktum (þeim) gögnum.

Það eru svo margir flottir hlutir sem við gætum gert við CNN og AI almennt, að líta út fyrir flottar þróun (sjálfkeyrandi bílar, einhver?).

Lykilinntak

  • Með því að nota CNN getum við flokkað myndir.
  • Til að prófa þetta fylgdi ég kennslu og flokkaði ketti og hunda.
  • Þetta er fyrsta skrefið í nokkrum alvarlega flottum hlutum. Það eru svo mörg heillandi forrit AI, það er geðveikt!

Þakka þér fyrir að lesa greinina mína! Ef þér líkaði það, skoðaðu aðrar greinar mínar!