Ποιος θα κερδίσει; ?) (απλά να γελάσει, αυτό δεν είναι ένας διαγωνισμός)

Γάτες έναντι σκύλων που χρησιμοποιούν AI

Έχετε ακούσει ποτέ τη φράση "Βρέχει γάτες και σκυλιά!"; Εάν ναι, έχετε δεχτεί πιθανώς το γεγονός ότι είναι απλά μια φράση και τίποτα περισσότερο. Είναι νερό που ρίχνει έξω, όχι αξιολάτρευτα ζώα.

Ωστόσο, τι γίνεται αν δεν ήταν μόνο μια φράση; Είμαι βέβαιος ότι θα ήθελα (ή τουλάχιστον θα) να φτάσω στο παράθυρο και να δούμε την ποικιλία των ζώων. Περσικές γάτες, μπουλντόγκ, χρυσά λαμπραντόρ, γάτες μουντσκίν (ναι, αυτό είναι ένα ΠΡΑΓΜΑΤΙΚΟ όνομα, μην έρχεστε σε μένα), αμερικανικές μπούκλες και πολλά άλλα.

Ας είμαστε πραγματικοί. Μερικές φορές δεν μπορείτε να πείτε ποια γάτα ή ποιο σκυλί είναι αυτό, αλλά αυτό δεν σημαίνει ότι δεν τους αγαπάτε το ίδιο.

Αλλά μάντεψε τι?
Ξέρετε τους υπολογιστές, αυτά τα πραγματικά δροσερά πράγματα που κάνουν τη ζωή μας 1000x ευκολότερη; Οι υπολογιστές δεν μπορούν να πουν τα CATS εκτός από τα DOGS, πολύ λιγότερο να ξεχωρίζουν τους τύπους. Δεν μπορούν να τους πουν φυσικά, τουλάχιστον.

Ωστόσο .. ίσως θα μπορούσαμε να τους βοηθήσουμε. Ξέρω τι θα μπορούσαμε να τους βοηθήσουμε (και ίσως και να το κάνετε)! Πολύ λεπτή υπόδειξη: Είναι στον τίτλο.

Τώρα, τι είναι το AI; Η Τεχνητή Νοημοσύνη είναι η θεωρία και η ανάπτυξη συστημάτων πληροφορικής ικανών να εκτελούν καθήκοντα που συνήθως απαιτούν ανθρώπινη νοημοσύνη, όπως η οπτική αντίληψη, η αναγνώριση ομιλίας, η λήψη αποφάσεων και η μετάφραση μεταξύ των γλωσσών. Είναι μια πολύ γρήγορα αναπτυσσόμενη βιομηχανία.

Ας επικεντρωθούμε όμως σε ένα συγκεκριμένο μέρος. Συγκεντρωτικά νευρωνικά δίκτυα.

Συγκεντρωτικά νευρωνικά δίκτυα

Τα συνεργατικά νευρωνικά δίκτυα ή το CNN ταξινομούν ουσιαστικά τις εικόνες. Τέλεια, σωστά; Για μια φορά δεν θα πω όχι.

Εντάξει, αυτό ήταν κάπως αόριστο. Επιτρέψτε μου να τους εξηγήσω σε βάθος.

Τα συνεργατικά δίκτυα είναι ένας τύπος νευρωνικού δικτύου. Κατηγοριοποιούν τις εικόνες με το να «εκπαιδεύονται». Εδώ είναι μια εικόνα που δείχνει πώς λειτουργούν!

Πρώτον, υπάρχει το στρώμα εισόδου. Αυτή είναι η πραγματική εικόνα. Στη συνέχεια, το περάσαμε μέσω του συνθετικού στρώματος και στη συνέχεια το βάζουμε μέσω του μέγιστου στρώματος συγκέντρωσης. Το συνελικτικό στρώμα είναι το σημείο όπου «ανιχνεύουν» τις παρτίδες της εικόνας και τις απλοποιούν.

Η μέγιστη στρώση συγκέντρωσης είναι όπου το μηχάνημα χωρίζει την εικόνα σε τέσσερα τετράγωνα και διατηρεί τη μεγαλύτερη τιμή σε κάθε τετράγωνο, απλοποιώντας την εικόνα. Στη συνέχεια επαναλαμβάνουμε αυτό για μια ακόμη φορά. Μετά από αυτό, αυτά τα στρώματα είναι πεπλατυσμένα και ταξινομημένα.

Αυτό ακούγεται δροσερό, σωστά; Αλλά είμαι βέβαιος ότι οι περισσότεροι από εσάς θέλουν να μάθουν πώς να κωδικοποιήσουν αυτό. Δεν θα επαναλάβω το ακριβές φροντιστήριο εδώ, γιατί υπάρχει ήδη ένα, και κατά τη γνώμη μου, εάν υπάρχει ήδη ένα που είναι άσκοπο.

Εάν σχεδιάζετε να το ακολουθήσετε, ο σύνδεσμος είναι παραπάνω, θα ανοίξει όταν κάνετε κλικ στο 'ακριβές φροντιστήριο'. Επίσης PSA: Το σύνολο δεδομένων για αυτό είναι στο Kaggle. Μη βασανίζετε τον εαυτό σας προσπαθώντας να το βρείτε.

Ο αλγόριθμος (τα βήματα)

Πάω να μιλήσω για τον αλγόριθμο! (Ναι, η κωδικοποίηση drag-and-drop έχει κάποιο είδος χρήσης εκτός από τα βασανιστήρια αθώων παιδιών.) Haha, πάρτε το αστείο μου; Οχι? Είναι εντάξει.

Πρώτον, ξεκίνησα με τον ορισμό όλων των αξιών. Όταν το έκανα αυτό, έφερα και ορίσα το μέγεθος της εικόνας, τα μοντέλα δοκιμών και εκπαίδευσης και το ρυθμό εκμάθησης του μηχανήματος. Εισήγαγα επίσης την τεχνολογία που θα χρησιμοποιούσα (tqdm) και τα χαρακτηριστικά που θα χρειαζόμουν.

Δεύτερον, έκανα μια λειτουργία, έτσι ώστε όταν οι εκπαιδευμένες εικόνες πέρασαν, ο υπολογιστής ήξερε ποια ήταν και η οποία τους χωρίζει.

Στη συνέχεια, έχτισα λειτουργίες για την επεξεργασία των εικόνων για εκπαίδευση. Αυτό ήταν για να βεβαιωθείτε ότι όταν οι εικόνες περνούσαν, δεν θα κάθονταν μόνο εκεί και θα επεξεργάζονταν.

Μετά από αυτό, δημιούργησα μια λειτουργία επεξεργασίας των δεδομένων ΔΟΚΙΜΗΣ. Αυτά είναι τα δεδομένα που θα δοκιμάσω την ακρίβεια του CNN μου με!

Στη συνέχεια, έτρεξα την προπόνηση για να δοκιμάσω τη μηχανή μου. Πλευρική σημείωση: ΠΡΑΓΜΑΤΙΚΑ βοηθά πραγματικά αν έχετε TQDM. Μπορείτε να δείτε πόσο μακριά είναι με την προπόνηση και δεν χρειάζεται να περιμένετε τυφλά. (Όχι, δεν έχω πάρει χορηγία (ευχόμαστε)!)

Εντάξει, γι 'αυτό ήταν μόνο η εισαγωγή και η προεπεξεργασία. Τώρα ας πάρουμε στα πραγματικά πράγματα (απλά να γελάσω, αυτά τα πράγματα ήταν πραγματικά πάρα πολύ).

Τώρα, χτίζουμε και εκπαιδεύουμε το πραγματικό νευρωνικό δίκτυο.

Κατ 'αρχάς, δημιουργώ ένα νευρωνικό δίκτυο με δύο στρώματα. Αυτό είναι αρκετά αυτονόητο, αλλά υπάρχουν στρώματα εισόδου και εξόδου (yay).

Στη συνέχεια, δημιουργείτε μια εντολή if που σας επιτρέπει να αποθηκεύσετε αυτόματα το μοντέλο μόλις γίνει η προπόνησή σας, διότι δεν θέλουμε να χάσουμε τα δεδομένα και τα αποτελέσματα.

Μετά από αυτό, είναι αρκετά εύκολο. Μπορείτε ουσιαστικά να εκπαιδεύσετε το μοντέλο σας έναν τόνο των χρόνων έως ότου η ακρίβεια του είναι υψηλότερη και στη συνέχεια μπορείτε να το δοκιμάσετε σε αξίες που δεν γνωρίζει τις πραγματικές ταυτότητες του. Καλά, σωστά;

Μια συναρπαστική εφαρμογή

Όπως μπορείτε να δείτε, αυτό ήταν πολύ περίπλοκο. Ευτυχώς, αυτό έχει τόσες πολλές δροσερές εφαρμογές (ή αλλιώς δεν θα το ανέφερα ή θα το μιλούσα τόσο πολύ »).

Ένα άρθρο που ίσως δείτε απλά από μένα σύντομα είναι να διαφοροποιήσετε τα γηρασμένα κύτταρα από άλλα κύτταρα. Για να παραθέσω από το τελευταίο μου άρθρο AI,

"Αυτό είναι ένα τεράστιο πρόβλημα. Τα κύτταρα του Senescent είναι κύτταρα "ζόμπι" που περιφέρονται στο σώμα σας (καλύτερα περιγραφόμενα ως κύτταρα που βρίσκονται στην κατάσταση μεταξύ νεκρών και ζωντανών). Έχουν επίσης μεγάλη επίδραση στη γήρανση και δεν έχουν συγκεκριμένους βιοδείκτες.

Οι βιολογικοί δείκτες είναι, σύμφωνα με το Google (σταθερός μας σωτήρας): μια μετρήσιμη ουσία σε έναν οργανισμό, η παρουσία του οποίου είναι ενδεικτική ενός φαινομένου όπως η ασθένεια, η μόλυνση ή η έκθεση στο περιβάλλον. Τα κύτταρα του Senescent έχουν αναστολή ανάπτυξης και διεύρυνση (μερικές φορές μέχρι το σημείο που διπλασιάζουν το μέγεθος) ως δικά τους. "

Θα μπορούσαμε να χρησιμοποιήσουμε ένα συνελικτικό νευρικό δίκτυο για να αναλύσουμε τα χαρακτηριστικά τους και να διαφοροποιήσουμε τα γηρασμένα κύτταρα από άλλα κύτταρα.

Ένα άλλο πράγμα που μπορούμε να κάνουμε χρησιμοποιώντας το CNN είναι η επεξεργασία φυσικής γλώσσας. Μπορούν να εκτελούν πολλά πράγματα, όπως ανάλυση συναισθημάτων. Αναλύουν το κείμενο, τα συναισθήματά του και τις προθέσεις του και στη συνέχεια δοκιμάζουν το μοντέλο τους με δεδομένα που δεν έχουν σημανθεί (σε αυτά).

Υπάρχουν τόσα πολλά δροσερά πράγματα που θα μπορούσαμε να κάνουμε με το CNN και το AI γενικά, προσέξτε τις δροσερές εξελίξεις (αυτο-οδήγηση αυτοκινήτων, καθένας;).

Βασικές τακτικές

  • Χρησιμοποιώντας το CNN, μπορούμε να ταξινομήσουμε τις εικόνες.
  • Για να το δοκιμάσω, ακολούθησα ένα σεμινάριο και ταξινόμησα τις γάτες και τα σκυλιά.
  • Αυτό είναι το πρώτο βήμα σε μερικά σοβαρά δροσερά πράγματα. Υπάρχουν τόσες πολλές συναρπαστικές εφαρμογές του AI, τρελό του!

Σας ευχαριστώ που διαβάσατε το άρθρο μου! Αν σας άρεσε, δείτε τα άλλα άρθρα μου!