Google wie, jakie są marzenia sieci neuronowej

Sztuczne sieci neuronowe Google stworzony do symulacji ludzkiego mózgu. Ta technologia pozwala rozpoznać i analizować różne obrazy. Pewnego dnia deweloperzy mieli ciekawskie pytanie: co by się stało, gdyby robot mógłby marzyć? Takie dziwne pytanie nie powstało od podstaw. Jest to część projektu do tworzenia obrazów Deep Dream.

"Głęboki sen"

Programiści określili cel przed oprogramowaniem. Jednak celem tego nie było odtworzenie marzeń. Eksperci zwrócili się do sieci neuronowej, aby zmienić obraz na podstawie oryginalnego zdjęcia, nakładając na niego kilka innych warstw. Jak się okazało, oprogramowanie jest łatwe do nauczenia. Dzięki temu program mógł poprawić funkcje wykrywania określonych modeli.

Szkolenie

Aby poprawić funkcje sztucznych sieci neuronowych, twórcy przekazali ponad milion obrazów za pośrednictwem komputera. W końcu po każdym proponowanym projekcie inżynierowie zmuszali maszynę do podkreślenia przedmiotu rozpoznanego na obrazie, była to żmudna i czasochłonna praca. Sama sieć neuronowa składa się z kilku warstw, a dokładniejsza interpretacja wyszukiwania zależy od ich poziomu i statusu. Na przykład warstwa wyjściowa jest odpowiedzialna za rozpoznawanie poszczególnych obiektów.

Jakość obrazu halucynogennego

Po zwiększeniu rozpoznawania konkretnych obiektów na obrazie sieci neuronowej trzeba było przeprowadzić bardziej złożone prace. Inżynierowie dali maszynie zadanie tworzenia obrazów pewnych przedmiotów, wśród nich pies, widelec, rozgwiazdy, banany i inne przedmioty. Ten krok jest w pełni uzasadniony. I niech roboty marzeń mają halucynogenną jakość, ludzkie oko może rozpoznać dany obraz.

Ostatecznym celem projektu

Google chce poprawić sieci neuronowe do stanu, w którym w wspólnym obrazie można rozpoznać nieistniejące szczegóły. Można powiedzieć, że inżynierowie zdołali spojrzeć w podświadomość sztucznej inteligencji. Stało się tak, gdy programiści zaczęli przesyłać obrazy do górnej warstwy sieci neuronowej, która nauczyła się rozpoznawać poszczególne obiekty. Tak więc na przykład dany parametr "zarys psa w chmurach" uczynił model sieciowy z chmur psa. Po każdym kolejnym pobieraniu wynik lepszy i lepszy.

W ten sposób "Deep Dream" dał komputerowi możliwość samodzielnej zmiany parametrów obrazu. To pozwoliło nam rozpoznać obiekty, które nie są zawarte w obrazie. Teraz, na prośbę "pochmurnego nieba", sieć produkuje zaskakująco dziwne psy i ślimaki.

Wnioski

Metody wykorzystywane przez naukowców podczas wdrażania projektu pomagają zrozumieć i wizualizować, jak sieci neuronowe mogą wykonywać skomplikowane zadania do klasyfikowania obiektów. Doprowadziło to do poprawy architektury sieci i umożliwiło kontrolę kroków procesu uczenia się.