NEYRON TARMOQLAR
Tadjidinov Muxriddin
Andijon Mashinasozlik Instituti
“Axborot texnologiyalari” kafedrasi assistenti
e-mail: muxriddin.todjidinov92@gmail.com
tel:+998914792027
Abstrakt:
Maqsadi. Zamonaviy dunyoda neyron tarmoqlar ulkan qamrovga ega, olimlar neyron tarmoqlarning xulq-atvor xususiyatlari va holatini o'rganish sohasida olib borilgan tadqiqotlarni juda istiqbolli deb fikr bildirmoqdalar.
Usullari. Neyron tarmog'ini qurishning eng keng tarqalgan misollaridan biri klassik neyron tarmoq topologiyasidir. Bunday neyron tarmoqni to'liq bog'langan grafik sifatida ko'rsatish mumkin, uning xarakterli xususiyati axborotning oldinga tarqalishi va xato signalining orqaga tarqalishidir. Ushbu texnologiya rekursiv xususiyatlarga ega emas. Klassik topologiyaga ega neyron tarmoqni tasvirlash mumkin.
Natijalari. Bu to'plamlar "yadro" deb ham ataladi. Tasvirni qayta ishlashning yakuniy natijasi uchun aytishimiz mumkinki, umumiy og'irliklar neyron tarmoq xususiyatlariga ijobiy ta'sir ko'rsatadi, ularning xatti-harakatlarini o'rganish tasvirlarda o'zgarmaslarni topish va shovqin komponentlarini qayta ishlamasdan filtrlash qobiliyatini oshiradi.
Xulosa. Bugungi kunga kelib, neyron tarmoqlarni keyingi o'rganish fan va texnologiyaning yanada ko'proq sohalarida, shuningdek, inson faoliyatida muvaffaqiyatli qo'llaniladigan istiqbolli tadqiqot yo'nalishi bo'lib ko'rinadi.
Kalit so’zlar: Neyron tarmoqlar, prognozlash, identifikatsiyalash, semantik segmentatsiya, konvolyutsion neyron tarmoq, paradigma.
Kirish.
Zamonaviy dunyoda neyron tarmoqlar ulkan qamrovga ega, olimlar neyron tarmoqlarning xulq-atvor xususiyatlari va holatini o'rganish sohasida olib borilgan tadqiqotlarni juda istiqbolli deb hisoblashadi. Neyron tarmoqlar qo'llanilgan sohalar ro'yxati juda katta. Bular naqshni aniqlash va tasniflash, prognozlash va yaqinlashish masalalarini hal qilish, ma'lumotlarni siqishning ba'zi jihatlari, ma'lumotlarni tahlil qilish va, albatta, boshqa xarakterdagi xavfsizlik tizimlarida qo'llash.
Neyron tarmoqlarni o'rganish hozirda faol olib borilmoqda ilmiy jamoalar turli mamlakatlar. Bunday mulohaza bilan u naqshni aniqlashning bir qator usullari, diskriminant tahlili va klasterlash usullarining maxsus holati sifatida taqdim etiladi.
Shuni ham ta'kidlash joizki, so'nggi bir yilda tasvirni aniqlash tizimlari sohasida startaplar uchun mablag' avvalgi 5 yildan ko'proq vaqt davomida ajratilgan, bu esa yakuniy bozorda ushbu turdagi ishlanmalarga talabning ancha yuqori ekanligini ko'rsatadi.
Tasvirni aniqlash uchun neyron tarmoqlarni qo'llash
Tasvirlarga ilovada neyron tarmoqlar tomonidan hal qilinadigan standart vazifalarni ko'rib chiqing:
● ob'ektni identifikatsiyalash;
● ob'ektlarning qismlarini (masalan, yuzlar, qo'llar, oyoqlar va boshqalar) tanib olish;
● ob'ekt chegaralarini semantik aniqlash (rasmda faqat ob'ekt chegaralarini qoldirish imkonini beradi);
● semantik segmentatsiya (tasvirni turli xil alohida ob'ektlarga bo'lish imkonini beradi);
● sirtga normalarni tanlash (ikki o'lchovli tasvirlarni uch o'lchamli tasvirlarga aylantirish imkonini beradi);
● diqqat ob'ektlarini tanlash (bu rasmda odam nimaga e'tibor berishini aniqlash imkonini beradi).
Ta'kidlash joizki, tasvirni tanib olish muammosi yorqin xarakterga ega, bu muammoni hal qilish murakkab va favqulodda jarayondir. Tanib olishni amalga oshirishda ob'ekt inson yuzi, qo'lda yozilgan raqam, shuningdek, identifikatsiya jarayonini sezilarli darajada murakkablashtiradigan bir qator o'ziga xos xususiyatlar bilan ajralib turadigan ko'plab boshqa ob'ektlar bo'lishi mumkin.
Ushbu ishda biz neyron tarmoqning qo'lda yozilgan belgilarini yaratish va tan olishni o'rganish algoritmini ko'rib chiqamiz. Tasvir neyrotarmoqning kirishlaridan biri tomonidan o'qiladi va natijalardan biri natijani ko'rsatish uchun ishlatiladi.
Bu bosqichda neyron tarmoqlar tasnifiga qisqacha to`xtalib o`tish zarur. Bugungi kunga kelib, uchta asosiy tur mavjud:
● konvolyutsion neyron tarmoqlari (KNT);
● takroriy tarmoqlar (chuqur o'rganish);
● ta'limni mustahkamlash.
Neyron tarmog'ini qurishning eng keng tarqalgan misollaridan biri klassik neyron tarmoq topologiyasidir. Bunday neyron tarmoqni to'liq bog'langan grafik sifatida ko'rsatish mumkin, uning xarakterli xususiyati axborotning oldinga tarqalishi va xato signalining orqaga tarqalishidir. Ushbu texnologiya rekursiv xususiyatlarga ega emas. Rasmda klassik topologiyaga ega neyron tarmoqni tasvirlash mumkin.
Ushbu tarmoq topologiyasining aniq muhim kamchiliklaridan biri bu ortiqcha. Ortiqchalik tufayli, masalan, ikki o'lchovli matritsa shaklida ma'lumotlar taqdim etilganda, kirishda bir o'lchovli vektorni olish mumkin. Shunday qilib, 34x34 matritsa yordamida tasvirlangan qo'lda yozilgan lotin harfining tasviri uchun 1156 ta kirish kerak bo'ladi. Bu shuni ko'rsatadiki, ushbu algoritmning dasturiy-apparat yechimini amalga oshirish uchun sarflangan hisoblash quvvati juda katta bo'ladi.
Muammoni amerikalik olim Yan Le Kun hal qildi, u tibbiyot bo‘yicha Nobel mukofoti sovrindorlari T.Vtesel va D.Xubel ishlarini tahlil qildi. Ular tomonidan olib borilgan tadqiqot doirasida mushukning miyasining vizual korteksi tadqiqot ob'ekti sifatida ishladi. Natijalar tahlili shuni ko'rsatdiki, korteksda bir qator oddiy hujayralar, shuningdek, bir qator murakkab hujayralar mavjud. Oddiy hujayralar vizual retseptorlardan olingan to'g'ri chiziqlar tasviriga javob berdi, murakkab hujayralar esa bir yo'nalishda oldinga siljishga javob berdi. Natijada konvolyutsion deb ataladigan neyron tarmoqlarni qurish tamoyili ishlab chiqildi. Ushbu printsipning g'oyasi shundan iborat ediki, neyron tarmog'ining ishlashini amalga oshirish uchun odatda C - qatlamlar, subnampalash qatlamlari S - qatlamlar va to'liq bog'langan qatlamlar F - chiqishdagi qatlamlar deb belgilanadigan konvolyutsion qatlamlarning o'zgarishi qo'llaniladi. neyron tarmoq.
Ushbu turdagi tarmoqni qurishda uchta paradigma yotadi - bu mahalliy idrok paradigmasi, umumiy og'irliklar paradigmasi va kichik namunalar paradigmasi.
Mahalliy idrok paradigmasining mohiyati shundan iboratki, har bir kirish neyroniga butun tasvir matritsasi emas, balki uning bir qismi beriladi. Qolgan qismlar boshqa kirish neyronlariga beriladi. Bunday holda, parallelizatsiya mexanizmini kuzatish mumkin, shunga o'xshash usul yordamida siz tasvirning topologiyasini qatlamdan qatlamga saqlashingiz, uni ko'p o'lchovli qayta ishlashingiz mumkin, ya'ni ishlov berish jarayonida ma'lum bir neyron tarmoqlar to'plamidan foydalanish mumkin. .
Umumiy og'irliklar paradigmasi shuni aytadiki, kichik vaznlar to'plami ko'plab havolalar uchun ishlatilishi mumkin. Bu to'plamlar "yadro" deb ham ataladi. Tasvirni qayta ishlashning yakuniy natijasi uchun aytishimiz mumkinki, umumiy og'irliklar neyron tarmoq xususiyatlariga ijobiy ta'sir ko'rsatadi, ularning xatti-harakatlarini o'rganish tasvirlarda o'zgarmaslarni topish va shovqin komponentlarini qayta ishlamasdan filtrlash qobiliyatini oshiradi.
Yuqorida aytilganlarga asoslanib, biz yadro asosida tasvirni aylantirish protsedurasini qo'llashda chiqish tasviri paydo bo'ladi, uning elementlari filtrga muvofiqlik darajasining asosiy xarakteristikasi bo'ladi, ya'ni. xususiyat xaritasi yaratiladi. Ushbu algoritm rasmda ko'rsatilgan. 3.
Quyi namuna olish paradigmasi shundan iboratki, kirish tasviri uning matematik ekvivalenti - n o'lchovli matritsaning fazoviy o'lchamini kamaytirish orqali kamayadi. Subnamlanmaga bo'lgan ehtiyoj asl tasvir miqyosiga o'zgarmaslik bilan ifodalanadi. Qatlamlarni almashtirish texnikasini qo'llashda mavjud bo'lganlardan yangi xususiyatli xaritalarni yaratish mumkin bo'ladi, ya'ni ushbu usulning amaliy qo'llanilishi ko'p o'lchovli matritsani vektor qiymatiga, so'ngra butunlay matritsaga aylantirish qobiliyatidan iborat. skalyar qiymatga ega bo'ladi.
Neyron tarmoq treningini amalga oshirish.
Mavjud tarmoqlar o'rganish nuqtai nazaridan arxitekturaning 3 sinfiga bo'lingan:
● nazorat ostida o'rganish (idrok etish);
● nazoratsiz ta'lim (adaptiv rezonans tarmoqlari);
● aralash ta'lim (radial asosli funktsiyalar tarmoqlari).
Tasvirni tanib olish holatida neyron tarmoqning ishlashini baholashning eng muhim mezonlaridan biri tasvirni aniqlash sifati hisoblanadi. Shuni ta'kidlash kerakki, neyron tarmog'ining ishlashi yordamida tasvirni aniqlash sifatini aniqlash uchun ildiz-o'rtacha kvadrat xato algoritmi ko'pincha qo'llaniladi:
(1)
Ushbu bog'liqlikda Ep bir juft neyron uchun p-chi tanib olish xatosi, Dp - neyron tarmog'ining kutilayotgan natijasi (odatda tarmoq 100% tanib olishga intilishi kerak, ammo bu amalda hali sodir bo'lmaydi) va O(Ip,W)2 konstruktsiyasi tarmoq chiqishi kvadrati bo'lib, u p-th kiritish va o'rnatilgan vazn koeffitsientlari bo'yicha W. Bu qurilish konvolyutsiya yadrolari va barcha qatlamlarning og'irlik koeffitsientlari ham o'z ichiga oladi. Xatoni hisoblash barcha juft neyronlar uchun o'rtacha arifmetik qiymatni hisoblashdan iborat.
Tahlil natijasida xato qiymati minimal bo'lgan og'irlikning nominal qiymatini bog'liqlik (2) asosida hisoblash mumkin bo'lgan qonuniyat paydo bo'ldi:
(2)
Ushbu bog'liqlikdan shuni aytishimiz mumkinki, optimal og'irlikni hisoblash muammosi birinchi tartibli xatolik funksiyasi hosilasining og'irlik bo'yicha arifmetik farqi, ikkinchi tartibli xato funktsiyasi hosilasiga bo'linadi.
Berilgan bog'liqliklar chiqish qatlamidagi xatoni arzimas hisoblash imkonini beradi. Neyronlarning yashirin qatlamlarida xatoliklarni hisoblash xatolarni orqaga yoyish usuli yordamida amalga oshirilishi mumkin. Usulning asosiy g'oyasi ma'lumotni xato signali shaklida chiqish neyronlaridan kirish neyronlariga, ya'ni neyron tarmog'i orqali signallarning tarqalishiga qarama-qarshi yo'nalishda tarqatishdir.
Shuni ham ta'kidlash kerakki, tarmoqni o'qitish juda ko'p sonli sinflarga tasniflangan maxsus tayyorlangan tasvir ma'lumotlar bazalarida amalga oshiriladi va juda uzoq vaqt talab etadi. Bugungi kunga qadar eng katta ma'lumotlar bazasi ImageNet (www.image_net.org) hisoblanadi. Ilmiy muassasalar uchun bepul kirish imkoniyati mavjud.
Yuqorida aytilganlar natijasida shuni ta'kidlash joizki, neyron tarmoqlar va ularning ishlash printsipi bo'yicha amalga oshirilgan algoritmlar ichki ishlar organlarining barmoq izlari kartalarini aniqlash tizimlarida qo'llanilishi mumkin. Ko'pincha, bunday noyob murakkab tasvirni identifikatsiya ma'lumotlari bo'lgan naqsh sifatida tan olishga qaratilgan dasturiy-apparat kompleksining dasturiy komponenti bo'lib, unga yuklangan vazifalarni to'liq hal qilmaydi. Neyron tarmoqqa asoslangan algoritmlar asosida amalga oshirilgan dastur ancha samarali bo'ladi.
Xulosa qilib, biz quyidagilarni umumlashtirishimiz mumkin:
● neyron tarmoqlardan tasvirni chiqarishda ham, matnni aniqlashda ham foydalanish mumkin;
● bu nazariya yangi istiqbolli modellar sinfini, ya'ni aqlli modellashtirishga asoslangan modellarni yaratish haqida gapirish imkonini beradi;
● neyron tarmoqlar o'rganishga qodir, bu jarayonni ishlashdan optimallashtirish imkoniyatini ko'rsatadi. Bu imkoniyat algoritmni amaliy amalga oshirish uchun nihoyatda muhim variant hisoblanadi;
● Neyron tarmoq tadqiqoti yordamida naqshni aniqlash algoritmini baholash miqdoriy qiymatga ega bo'lishi mumkin, shunga mos ravishda kerakli vazn koeffitsientlarini hisoblash orqali parametrlarni kerakli qiymatga moslashtirish mexanizmlari mavjud.
Bugungi kunga kelib, neyron tarmoqlarni keyingi o'rganish fan va texnologiyaning yanada ko'proq sohalarida, shuningdek, inson faoliyatida muvaffaqiyatli qo'llaniladigan istiqbolli tadqiqot yo'nalishi bo'lib ko'rinadi. Zamonaviy tanib olish tizimlarini rivojlantirishda asosiy e'tibor geodeziya, tibbiyot, prototiplash va inson faoliyatining boshqa sohalarida 3D tasvirlarni semantik segmentatsiyalash sohasiga qaratilmoqda - bu juda murakkab algoritmlar va bu quyidagilar bilan bog'liq:
● mos yozuvlar tasvirlarining etarli miqdordagi ma'lumotlar bazasining yo'qligi bilan;
● tizimni dastlabki o'qitish uchun etarli miqdordagi bepul mutaxassislarning etishmasligi;
● Tasvirlar piksellarda saqlanmaydi, bu ham kompyuterdan, ham ishlab chiquvchilardan qo'shimcha resurslarni talab qiladi.
Shuni ham ta'kidlash kerakki, bugungi kunda neyron tarmoqlarni qurish uchun juda ko'p standart arxitekturalar mavjud bo'lib, ular neyron tarmog'ini noldan qurish vazifasini sezilarli darajada soddalashtiradi va uni muayyan vazifa uchun mos keladigan tarmoq strukturasini tanlashgacha qisqartiradi.
Foydalanilgan adabiyotlar
1.S.D. Pande, P.P. Jadhav, R. Joshi, A.D.Sawant, V. Muddebihalkar, S. Rathod, M.N. Gurav, S. Das, CNN transfer o'rganish yordamida qo'lda yozilgan Devanagari matnini raqamlashtirish - mijozlarga xizmat ko'rsatishni yaxshiroq qo'llab-quvvatlash, Neurosci. Xabar berish.
2. N. Verma, M. Rakhra, M.W. Bhatt, U. Garg, ZnO uchun manba eritmasining muhandislik texnologiyasi tavsifi va ularning aloe vera ekstrakti bilan ma'lumotlar tahlili ta'siri, Neurosci. Xabar berish.
3. S.L. Bangare, Miya magnit-rezonans tasvirlarida dinamik mintaqa o'sishi va loyqa min-max neyron tarmog'idan foydalangan holda optimal miya to'qimalarining tasnifi, Neu-rosci. Xabar berish.
4. U. Rani Kandula, D. Filipp, S. Metyu, A. Subin, G. Aa, N. Aleks, B. Renju, o'smir qizlar o'rtasida siydik yo'llari infektsiyasi va nevrologik stressni to'xtatish bo'yicha video ta'lim dasturining samaradorligi : nazoratsiz eksperimental tadqiqot, Neu-rosci. Xabar berish.
5. https://www.amazon.com ›
6. https://jmds.uz › mr
7. https://ru.depositphotos.com
|
