• Dieses Forum ist die maschinengenerierte Übersetzung von www.cad3d.it/forum1 - der italienischen Design-Community. Einige Begriffe sind nicht korrekt übersetzt.

Der bescheidene Diener

  • Ersteller Ersteller Fulvio Romano
  • Erstellt am Erstellt am
Was meinst du mit Videospielen? Ich weiß es nicht. Ich habe nie von ihm gehört.
mehr als die künstliche Intelligenz des Videospiels, aber ich würde mich auf die natürliche Dummheit der vor...:Zehn:
Ich gebe dir ein dummes Beispiel.
Wenn Sie spielen (Ich weiß, dass Sie es nie tun werden:biggrin:) zu einem First-Person-Shooter (unter dem besten "Kall der Pflicht") Ihre Gegner würden nicht in der Lage sein, durch automatische Schüsse geschlachtet zu werden, sondern würde Schutz hinter Wänden suchen, Kisten, Naturschutz, etc.
Diese Fähigkeit, passive Selbstverteidigung (oder sogar aktiv bei der Reparatur, während der Brand gegen Sie) definiert künstliche Intelligenz und macht für Fans, das Spiel sehr nah an der Realität.
Eine der wichtigsten Funktionen in diesen Spielen ist das "Behaviour" von computergesteuerten virtuellen Zeichen. ihre "attitude" stark beeinflusst die Spielbarkeit: Zu dumme Gegner machen die Herausforderung zu einfach und langweilig, im Gegenteil, zu intelligente Gegner können es unmöglich und neurotisch machen.
Dieses Detail, oft von den Software-Häusern übersehen, kann ein ausgezeichnetes Produkt beeinflussen, so dass es untragbar für die Öffentlichkeit und, nicht vernachlässigbar, uneen.
 
Ich gebe dir ein dummes Beispiel.
Wenn Sie spielen (Ich weiß, dass Sie es nie tun werden:biggrin:) zu einem First-Person-Shooter (unter dem besten "Kall der Pflicht") Ihre Gegner würden nicht in der Lage sein, durch automatische Schüsse geschlachtet zu werden, sondern würde Schutz hinter Wänden suchen, Kisten, Naturschutz, etc.
Diese Fähigkeit, passive Selbstverteidigung (oder sogar aktiv bei der Reparatur, während der Brand gegen Sie) definiert künstliche Intelligenz und macht für Fans, das Spiel sehr nah an der Realität.
Eine der wichtigsten Funktionen in diesen Spielen ist das "Behaviour" von computergesteuerten virtuellen Zeichen. ihre "attitude" stark beeinflusst die Spielbarkeit: Zu dumme Gegner machen die Herausforderung zu einfach und langweilig, im Gegenteil, zu intelligente Gegner können es unmöglich und neurotisch machen.
Dieses Detail, oft von den Software-Häusern übersehen, kann ein ausgezeichnetes Produkt beeinflussen, so dass es untragbar für die Öffentlichkeit und, nicht vernachlässigbar, uneen.
Jetzt verstehe ich... (und immer noch spiele ich damit... Ich bin nicht begeistert genug, um Geld dafür auszugeben, aber wenn es mit Freunden passiert, weil...

Eine künstliche Intelligenz ist meiner Meinung nach kein Missbrauch von Begriffen. Zunächst einmal, wenn dieser Satz von Pixeln, die Sie gegen schießen scheint Ihnen in allem und für alle ein Mensch, es bedeutet, dass es den Turing-Test passieren würde, und dann kann es als ia betrachtet werden. Darüber hinaus löst der einzelne Kämpfer einen Algorithmus, der auf der Grundlage der Umstände (versteckt, Munition, Position des Feindes, etc.) eine Strategie ausarbeitet, die als Ziel die Optimierung einer Funktion der Kosten auf zwei Parameter, die Gesundheit der Person und die Verringerung der Anzahl der Feinde hat. Ich würde sagen, das ist genau das, was ein Kämpfer im Krieg tut, warum sollte er nicht ia sein?
 
zum Beispiel ist dies ein Grund, warum pes2012 (es ist ein Fußballspiel) cilecca gemacht.
Auch in diesem Jahr 2013 ist eine kolossale Scheiße: Die Türen scheinen mit ihren Händen voller Seife blind zu sein.
 
zum Beispiel ist dies ein Grund, warum pes2012 (es ist ein Fußballspiel) cilecca gemacht.
Auch in diesem Jahr 2013 ist eine kolossale Scheiße: Die Türen scheinen mit ihren Händen voller Seife blind zu sein.
o
Genug mit Fußball.... wenn Sie Geld für einige Videospiele außer Kabeljau (Geschwindigkeit) oben erwähnt,
das beste zu entkommen und entlüften ein wenig ist definitiv gta (große Diebstahl auto)... von denen die 5 nächste Ausfahrt.http://www.youtube.com/watch?v=jg2m8cj1au4
 
Wir geben etwas mehr über die Verdienste, die wir heute mit "künstlicher Intelligenz" meinen. Dieser Begriff ist eng mit neuronalen Netzen verbunden, nicht so viel aus funktionellen Gründen wie aus topologischen Gründen. Wenn tatsächlich die Definition von künstlicher Intelligenz rein funktionell ist, d.h. sie sagt, was sie eine Maschine als intelligent betrachten muss oder sollte, wird das neuronale Netz als menschliches Gehirn strukturiert und erinnert daher topologisch an die Intelligenz selbst.

im menschlichen Gehirn sind Zellen, die zu den Funktionen des Denkens bestimmt sind, Neuronen. ein Neuron besteht hauptsächlich aus drei Elementen, einem "Dendriten", d.h. dem Eingang des Neurons, einem "Aston", d.h. dem Ausgang und dem Zellkörper. Letztere nimmt die ankommenden Informationen unter Form von elektrischen Spannungen auf, macht sie zu einer gewogenen Summe, und wenn der resultierende Wert eine bestimmte Schwelle überschreitet, aktiviert dann seine Leistung. der Ausgang des Neurons geht, um den Eingang für andere Neuronen zu bilden, wodurch ein echtes Netzwerk gebildet wird.
Viele Gelehrte sind sich einig, dass die Kraft des menschlichen Gehirns (aber auch des Tieres) ausschließlich in seiner Topologie besteht, so sind Neuronen miteinander verbunden. Es ist daher natürlich zu denken, dass durch das Kopieren dieser Struktur in ein künstliches System die Nachbildung von Intelligenz möglich sein sollte. Es ist nicht so, oder zumindest, es war nicht bis heute. in diesem Beitrag: http://www.cad3d.it/forum1/showpost.php?p=274783&postcount=71 Ich habe etwas erwartet.

In Wirklichkeit ist ein bemerkenswerter Vorteil der "Hardware"-Strukturen, wo das neuronale Netzwerk physisch ist, wie im menschlichen Gehirn, der parallele Prozess, der sich entwickelt. das menschliche Gehirn ist extrem langsamer als ein pc, aber viele Operationen (wie Gesichtserkennung, ocr Lesung, etc.) werden mit vergleichbaren Geschwindigkeiten durchgeführt. Warum? einfach, weil in pcs programmierte neuronale Netze tatsächlich sequentiell sind. Obwohl Topologie ähnlich sein kann, ist cpu ein und zählt zu einem Zeitpunkt, obwohl bei der Auftragsgeschwindigkeit 3x10^9 Operationen pro Sekunde. ein menschliches Neuron kann etwa 200 Schalter pro Sekunde machen und seine Ausgänge bewegen sich auf etwa 100m/s, aber das menschliche Gehirn hat etwa 10^11 Neuronen mit einer Schmutzzahl von Synapsen (Verbindungen). Daher kann bei allen Operationen, bei denen die Topologie des humanen neuronalen Netzes bis zum Maximum ausgenutzt wird, die Verarbeitungsgeschwindigkeit mit derjenigen eines pc verglichen werden, bei der Erstellung von arithmetischen Konten statt ist der pc offensichtlich unschlagbar.

das Konzept von Geschwindigkeit und Parallelität gut zu verstehen, machen wir ein Beispiel für ein sehr einfaches Problem. auf dem Tisch gibt es 9 gleiche Bleistifte und eine kürzer als die anderen. fordert, den kürzesten Bleistift zu identifizieren. a pc führt den folgenden Algorithmus aus:

9 mal laufen:
Ist der Bleistift kürzer als der Bleistift 'i+1'?
Ja -> Ausgang = Bleistift 'i '
Nein Ausgang = Bleistift 'i+1 '


am Ende des Zyklus ist der Ausgang der kürzeste Bleistift. das menschliche Gehirn gibt stattdessen einen Blick auf den Tisch und nimmt direkt, mit einer einzigen Operation, die kürzere Matte. mit 10 Bleistiften ist der pc schneller, aber mit 100 oder 1000 oder 10^6 oder 10^9 Bleistiften? der pc muss eine zunehmende Anzahl von Konten machen, während die Anzahl der Operationen (Parallelen) notwendig für das menschliche Gehirn immer und nur eins sein wird.
Es gibt jedoch sogenannte "Neurocomputer", d.h. Computer, die die Struktur eines neuronalen Netzes durch Hardware replizieren.
 
Daher beginnen wir diesen Prozess der "Kopie" des menschlichen Gehirns.
das mathematische Objekt an der Basis eines neuronalen Netzes ist das "determinale Neuron", oder "neuron of mcculloch-pitts", auch "Perceptron" oder "Percettrone". Neuronen können wie in der Figur dargestellt werden. Es gibt eine Reihe von Synapsen, die ihren Wert bringen. Diese Synapsen gelangen in die Neuronen, sie wägen zuerst mit Werten, und dann werden die Ergebnisse hinzugefügt. das Ergebnis dieser Summe wird durch die "Aktivierungsfunktion" des Neurons verarbeitet. die einfachste Funktion ist die der Schwelle oder unterhalb eines bestimmten Wertes, das Neuron kehrt 0, über 1. Es gibt jedoch weitere aufwendigere Aktivierungsfunktionen, wie z.B. lineare Funktion bei Hüben, die eine lineare Variation zwischen 0 und 1 aufweist, die Sigmoidfunktion, die einem 's' ähnelt, usw.
der Schwellwert der Neuronen ist fest und gleich für alle Neuronen, was ändert sich das Gewicht der verschiedenen Synapsen. die Verteilung dieses Gewichtes ist das Thema des sogenannten "Training" des neuronalen Netzes, aber wir kommen dort um Grad.
das neu beschriebene Neuron wird als "deterministisch" bezeichnet, weil, sobald Sie Gewichte und Schwelle bemerken, der Ausgangswert des Neurons bekannt ist.
Es gibt andere Arten von Neuronen. Es gibt Netzwerke mit polarisierten Neuronen, wo der Neuron-Summiatorknoten neben gewogenen Synapsen auch ein Signal von "Bias" kommt, das dazu dient, die Neuronen zu polarisieren und bestimmte Situationen zu stabilisieren, beispielsweise das Netzwerk auch in Abwesenheit von Stimulen am Leben zu halten, oder in einem Zustand, in dem alle Neuronen mutiert würden. Sie sind stochastische Neuronen, d.h. Neuronen, die durch eine bestimmte "Temperatur" gekennzeichnet sind, wonach sie eine höhere oder geringere Aktivierungswahrscheinlichkeit aufweisen. Diese Art von System wird bei der Analyse besonders lauter Signale verwendet.

aber das ist das einzige Neuron, wie ist ein ganzes neuronales Netzwerk strukturiert?
das Netzwerk wird in Schichten organisiert. Es gibt immer eine Ein- und Austrittsschicht, natürlich. zwischen den beiden können mehr Schichten als "versteckt" sein. der Informationsinhalt, das "Wissen" eines Netzwerks oder seine Fähigkeit, die ihm unterliegenden Probleme zu lösen, konzentriert sich in zwei Punkten. in den Gewichten der Synapsen jedes Neurons, in der Topologie des Netzwerks oder wie viele Schichten zusammengesetzt sind, wie viele Neuronen die versteckten Schichten* komponieren und wie die verschiedenen Neuronen miteinander verbunden sind.
die Topologie des Netzes ist ein "a priori" Wissen, das im Netz selbst inhärent ist, dass der synaptischen Gewichte statt "zurück" ist, durch Training erstellt. einen Parallelismus zu tun, wenn ich einen traditionellen Algorithmus hatte, der eine bestimmte parametrische Funktion verarbeitet, sind die Parameter mit den synaptischen Gewichten vergleichbar, während die Form der Funktion zur Topologie des Netzes.

es gibt auch die sogenannten wiederkehrenden Netzwerke oder Netzwerke, in denen einige Synapse zurückgehen, und im nächsten Schritt gehen sie zu Neuronen, bevor sie erzeugt haben. Diese Art von Netzwerk hat zwei sehr interessante Funktionen.
die erste, ziemlich intuitive, ist, dass sie die tragfähige Zeit analysieren kann, ohne dass diese explizit auf der Eingabeschicht vorhanden ist. In der Tat entwickelt sich bei gleichen Eingaben (und synaptischen Gewichten) das Netzwerk, wenn richtig ausgebildet, entwickelt und kann Ereignisse abhängig von der Zeit verfolgen. Dieses Phänomen fehlt in nicht wiederkehrenden Netzwerken, die sich nicht als dynamisches System verhalten können, oder wenn ein Input und ein Satz synaptischer Gewichte gegeben werden, wird immer die gleiche Leistung geben.
die zweite, viel wichtiger ist, dass bestimmte Bereiche des Netzes unter stationären Bedingungen gefunden werden können. das heißt, wenn Sie richtig stimulieren, einen Zustand identifizieren, der dort bleibt, bis er gestört ist. kann daher Speicherfunktion, Speicherung von Informationen. dass, wie von neurowissenschaftlichen Theorien vorhergesagt, die neurale Topologie des Gehirns nachahmen und nach einer Struktur suchen, die einfach in der Lage war, pseudokognitive Prozesse durchzuführen, haben wir ein Netzwerk geschaffen, das überraschenderweise durch das Schicksal bestimmter Bereiche zur Speicherung von Informationen organisiert wird, das genau das, was der menschliche Geist tut.

Das bedeutet, dass die Hoffnung, das menschliche Gehirn in einem Computer repliziert zu sehen, weit weg in der Zeit sein könnte, aber nicht ein reines Chimera.

(*)
die Anzahl der versteckten Schichten Neuronen ist ein topologisches Merkmal des Netzwerks. Stattdessen hängt die Anzahl der Punkte der Eingabe- und Ausgabeschicht von der Dimensionalität des Problems ab und ist keine freie Wahl des Designers.
 

Anhänge

  • Neurone.JPG
    Neurone.JPG
    20 KB · Aufrufe: 11
  • rete.JPG
    rete.JPG
    76,1 KB · Aufrufe: 2
um den ersten Mbt-Post zu beantworten, lassen Sie uns sehen, wie ein neuronales Netzwerk einer Person, die einen Apfel wählt, funktionieren könnte. Wir stellen uns vor, aus dem Bild die drei in der Eingabeschicht enthaltenen Informationen, d.h. Farbe, Form und Größe eines Objekts, zu extrahieren. Was Mbt sagte, war falsch, ich esse nicht den Apfel, weil mein Vater mir beigebracht hat, es zu tun. Das Kind legt alles in seinen Mund, wirft Dinge, zieht sie in seinen Kopf, beißt sie, leckt sie. Es scheint alles wie ein Selbstmord-Instinkt, aber in Wirklichkeit ist es einfach "Training" sein neuronales Netz, und das ist der Grund, warum es bleiben würde, zumindest bis es in Schwierigkeiten geraten. in der Praxis die richtigen Zahlen in den Kreisen des Bildes setzen. Eines Tages legt er einen Tennisball (rund, gelb, 8cm) in seinen Mund und erkennt, dass, wenn er hungrig ist, es gut ist, dass Farbneuronen lernen, gelb zu verwerfen. Dann wird er mit einem Basketball versuchen (rund, rot, 50cm) und er wird verstehen, dass rotes Zeug dieser Größe nicht viel füttert. Dann wird er einen Legostein (rot, quadratisch, 10cm) und er wird es nicht einmal essen können. wenn das Netz vollständig ausgebildet ist, und wenn Hunger, wird es in der Lage sein, einen Apfel zu erkennen und zu zerkleinern, weil sein neuronales Netzwerk sagt, dass das Objekt die richtige Farbe, Form und Größe hat, so dass es ein Apfel sein kann.
wenn der Apfel gelb wird wahrscheinlich das gleiche essen, weil die Farbe Neuron hat geringes Gewicht in der Ausgangsschicht. wenn es ein gerundeter Würfel, rot, von 10cm wird stattdessen verworfen, weil die Form hat großes Gewicht. und angenommen großes Gewicht, weil durch das Training das Netz wird zu dem Schluss kommen, dass, wenn ein gelber Apfel noch plausibel ist, ein Quadratapfel ist stattdessen unmöglich.

So lernen Kinder, Welpen von Tieren und neuronalen Netzwerken von Computern.
 

Anhänge

  • mela.JPG
    mela.JPG
    64,1 KB · Aufrufe: 3
aber in dieser Phase des Lernens, was die Intelligenz eines Subjekts im Vergleich zum anderen bestimmt.
die Geschwindigkeit des Lernens oder die Anzahl der falschen Versuche vor dem Lernen der richtigen Reihenfolge?
Das ist, wie viele Tennisbälle müssen das Kind identifizieren, bevor zu verstehen, dass der Apfel der andere ist oder wie lange wird es den Unterschied verstehen?
 
aber in dieser Phase des Lernens, was die Intelligenz eines Subjekts im Vergleich zum anderen bestimmt.
die Geschwindigkeit des Lernens oder die Anzahl der falschen Versuche vor dem Lernen der richtigen Reihenfolge?
Das ist, wie viele Tennisbälle müssen das Kind identifizieren, bevor zu verstehen, dass der Apfel der andere ist oder wie lange wird es den Unterschied verstehen?
im menschlichen Wesen Ich weiß nicht, künstliche Intelligenz hängt viel von der Struktur des Netzes ab. ein Netzwerk mit mehreren Schichten und mehr Verbindungen wird mehr "intellektive" Fähigkeiten haben, aber es wird auch mehr Neigung zu "ein" haben, wie wir in einer Weile sehen werden, wenn wir die Ausbreitung wieder einführen. weil das menschliche Gehirn nicht plant, dass es mir nicht bekannt ist.

Wie wir jedoch eine Weile sehen werden, hängt es auch davon ab, wie die Lerndaten dargestellt werden (Trainingssatz). wenn die Daten in Durchschnitt nichts weitergegeben werden, dekoriert und in Kovarianz ausgeglichen werden, wird die Lernkurve viel schneller sein.
 
Vielleicht habe ich sie schon irgendwo anders gepostet. Ich habe keine Ahnung, wie diese Monstrosität erreicht ist:http://www.youtube.com/watch?v=w1czbcnx1wwAber wenn ich das getan hätte, hätte ich ein neuronales Netz benutzt, und ich hätte das Trainingsset durch die Anwendung von Sensoren auf einem echten Hund erzeugt. nach einer Weile sollte das Netzwerk zu solchen Verhaltensweisen trainieren, die mit einem modellbasierten System generell das Haar verlieren würden.

andere Bestie hier: http://www.youtube.com/watch?v=nuqsrpj1dywquesti sistemi wer invegates:http://www.youtube.com/watch?v=aicftmdrvhmnicht genug auf neuronalen Systemen. Sie werden in der Regel ziemlich einfache Regeln und die Schande "geeignet". Zum Beispiel misst jeder Quadrocopier die Entfernung von den nächsten und optimiert eine mögliche Kostenfunktion basierend auf diesen Entfernungen* Sie bekommen etwas ähnlich wie die ersten Figuren.

(*)
Stellen Sie sich virtuelle Quellen vor, die die verschiedenen Quadrocopter verbinden, und stellen Sie sich vor, dass ihr Zweck ist, die in den Federn anfallende Energie zu minimieren.
 
im ersten Video, die Art, wie er nach dem Pusher steht, ist sehr gruselig!

quadricopters sind atemberaubend, wenn das Training geändert wird, um das Hindernis zu umgehen.
 
Vielleicht habe ich sie schon irgendwo anders gepostet. Ich habe keine Ahnung, wie diese Monstrosität erreicht ist:http://www.youtube.com/watch?v=w1czbcnx1wwAber wenn ich das getan hätte, hätte ich ein neuronales Netz benutzt, und ich hätte das Trainingsset durch die Anwendung von Sensoren auf einem echten Hund erzeugt. nach einer Weile sollte das Netzwerk zu solchen Verhaltensweisen trainieren, die mit einem modellbasierten System generell das Haar verlieren würden.

andere Bestie hier: http://www.youtube.com/watch?v=nuqsrpj1dywquesti sistemi wer invegates:http://www.youtube.com/watch?v=aicftmdrvhmnicht genug auf neuronalen Systemen. Sie werden in der Regel ziemlich einfache Regeln und die Schande "geeignet". Zum Beispiel misst jeder Quadrocopier die Entfernung von den nächsten und optimiert eine mögliche Kostenfunktion basierend auf diesen Entfernungen* Sie bekommen etwas ähnlich wie die ersten Figuren.

(*)
Stellen Sie sich virtuelle Quellen vor, die die verschiedenen Quadrocopter verbinden, und stellen Sie sich vor, dass ihr Zweck ist, die in den Federn anfallende Energie zu minimieren.
Maaa..
die "Kontrolle" dieser "Dinge" ist an Bord oder werden sie ferngesteuert?
 
Maaa..
die "Kontrolle" dieser "Dinge" ist an Bord oder werden sie ferngesteuert?
die Kontrolle der Bigdog ist an Bord. auch die Stromversorgung ist für Batterien. Allerdings gibt es Filme auf youtube, die es mit einem "ombelical cord" darstellen. wahrscheinlich für Labortests werden die Batterien entfernt und durch Kabel betrieben. an diesem Punkt wird nicht gesagt, dass sogar die Steuerung nicht entfernt ist. wenn man die Größe jedoch wert ist, gibt es keine großen Unterschiede.

für die Sümpfe des Quadrocopters ist die Differenz. für die Zwecke der Kontrolle, es sei denn, Sie betrügen, nutzlos in Forschungsaktivitäten, ist es gleichgültig, eine der folgenden Architekturen zu haben:
ANHANG eine einzige Verarbeitungseinrichtung und eine Reihe von Kameras (sichtbar im Video), die für die Identifizierung von Position und Geschwindigkeit der Elemente verantwortlich sind, "anstecken" (von einander unterscheiden), die Strategie für jedes Element ausarbeiten und dann über Funk auf den verschiedenen Quadrocopter umschalten, Hinweise auf die Bewegungen

2. an Bord jedes Elements, sowohl des Bearbeitungsteils, als auch des sensorischen Teils, der den nahe gelegenen Quadrocopter sieht.

Wenn aus Sicht der Kontrolle die beiden Architekturen gleichwertig sind, von der der Kosten und der Flexibilität, der erste ist im Nettovorteil, und das ist, warum Sie es bevorzugen.
 
für die Sümpfe des Quadrocopters ist die Differenz. für die Zwecke der Kontrolle, es sei denn, Sie betrügen, nutzlos in Forschungsaktivitäten, ist es gleichgültig, eine der folgenden Architekturen zu haben:
ANHANG eine einzige Verarbeitungseinrichtung und eine Reihe von Kameras (sichtbar im Video), die für die Identifizierung von Position und Geschwindigkeit der Elemente verantwortlich sind, "anstecken" (von einander unterscheiden), die Strategie für jedes Element ausarbeiten und dann über Funk auf den verschiedenen Quadrocopter umschalten, Hinweise auf die Bewegungen

2. an Bord jedes Elements, sowohl des Bearbeitungsteils, als auch des sensorischen Teils, der den nahe gelegenen Quadrocopter sieht.

Wenn aus Sicht der Kontrolle die beiden Architekturen gleichwertig sind, von der der Kosten und der Flexibilität, der erste ist im Nettovorteil, und das ist, warum Sie es bevorzugen.
im ersten Fall können Sie eine unbeschreibliche Rechenleistung haben, die als "Register" fungiert und die "stupid" Elemente leitet, ohne Grenzen von Masse, benötigter Energie oder anderen
Im zweiten Fall müssen Sie alles miniaturisieren!
Allerdings macht die erste Architektur das Gerät in Umgebungen nicht besonders ausgestattet
 
Wir sehen jetzt mehr im Detail als die Ausbildung eines Netzwerks "mlp", das ist ein Mehrschicht-Perceptron, also die, über die wir bisher gesprochen haben.
Zunächst wird das Netzwerk "initialisiert" mit eher kleinen Werten für synaptische Gewichte. sie werden sich durch Ausbildung zum Wissen entwickeln. Initialisierung auf Null bedeutet, dass das Netz ändert, so dass es nicht funktioniert, außerdem sollten die Initialisierungsgewichte zufällig sein. Einfügen von nicht-random Gewichten, beispielsweise alle gleichen oder mit erkennbaren Sequenzen, neigt dazu, das Netzwerk zu polarisieren, indem es eine Art vorbestehendes Wissen, einen natürlichen Instinkt, die, wenn falsch, die Lernfähigkeit verschlechtern wird. wieder, genau das, was im menschlichen Verstand geschieht.

Wir sprechen über beaufsichtigte Ausbildung (es ist nicht die einzige Möglichkeit), wo es einen "Teacher" gibt, der eine Suche nach Kenntnissen des Problems hat, dem Netzwerk gegenüber zu stehen. der Lehrer einen Trainingssatz, d.h. einen Satz von Eingaben mit den entsprechenden richtigen Ausgängen erzeugt. Die Schritte sind zwei. zunächst eine Vorwärtsausbreitung, ein Reiz wird auf das Netzwerk angewendet, was einen Ausgang erzeugt. Gewichte werden nicht aktualisiert. die Ausgabe mit der richtigen im Trainingsset verglichen wird und ein Fehler berechnet wird. propagieren den Fehler rückwärts, bewerten für jede Schicht die Komponente jedes Neurons am Ausgang, alle synaptischen Gewichte werden aktualisiert. wechseln Sie dann auf den nächsten Wert des Trainingssatzes, indem die Gewichte wieder aktualisiert und so weiter. die Ausbildung abgeschlossen wurde, wurde eine sogenannte "Zeit" Ausbildung abgeschlossen.

Offensichtlich wird an dieser Stelle, wenn der erste Wert des Trainingssatzes wieder ist, der Ausgang nicht mit dem "rechts" identisch sein, sondern nur nahe sein. das Netzwerk erreicht einen großen Ort, der die Lehrerfunktion annähert, aber es wird nie perfekt überlappend sein. Durch erneutes Durchlaufen aller Trainingswerte ein zweites Mal (zweite Epoche) können Sie das Netzwerk besser spezialisieren, und am Ende des zweiten Trainingszyklus werden die Ausgänge näher an diesen "rechten" sein. Ist das gut? Wann ist der Fall zu stoppen?

Es gibt mindestens zwei Haftkriterien. das erste, trivial, wenn der Fehler unter einer vorbestimmten Schwelle erfolgt. die zweite, wenn die Änderung des Fehlers zwischen einer Epoche und der nächsten unter eine vorgegebene Schwelle fällt. die erste Methode stoppt, wenn das Netzwerk "ausgeglichen" ist, während die zweite, wenn das Netzwerk den Eindruck von "nicht weiter lernen können".

Wie bereits erwartet, um die Lernkurve eines Netzwerks zu optimieren, ist es oft der Fall von "Behandlungen" Daten. wir stellen uns eine Funktion vor, die für jeden x eine y=f(x) ausgibt und die Funktion f mit einem neuronalen Netz "imitate" will. um die Lernkurve zu optimieren und sicherzustellen, dass alle Neuronen mit der gleichen Geschwindigkeit lernen, sind die folgenden Schritte nützlich:
- Normalisierung: macht Daten mit einheitlichem Wert
- Dekoration: beseitigt Trends, die das Netzwerk polarisieren können
- Ausgleich der Kovarianz: Wenn die Domäne und die Kodomainvarianz gleich sind, wird die Netzwerkstruktur an jedem Punkt mit der gleichen Geschwindigkeit lernen.
 

Anhänge

  • TrattamentoDati.JPG
    TrattamentoDati.JPG
    22,9 KB · Aufrufe: 4
im ersten Fall können Sie eine unbeschreibliche Rechenleistung haben, die als "Register" fungiert und die "stupid" Elemente leitet, ohne Grenzen von Masse, benötigter Energie oder anderen
Im zweiten Fall müssen Sie alles miniaturisieren!
Allerdings macht die erste Architektur das Gerät in Umgebungen nicht besonders ausgestattet
Das stimmt. aber das Problem der Kontrolle, die Algorithmen, die "egg" die Ebenen, ist genau das gleiche. wenn Sie diese Algorithmen entwickeln müssen, warum nicht wählen Sie die bequemste Architektur?
 

Statistik des Forums

Themen
58.521
Beiträge
499.056
Mitglieder
104.110
Neuestes Mitglied
ChristianR

Zurzeit aktive Besucher

Keine Mitglieder online.
Zurück
Oben