Fogalomtár

Mesterséges neurális hálók (ANN-ek)

Mi a(z) Mesterséges neurális hálók (ANN-ek)?

A mesterséges neurális hálók (ANN-ek) számítási modellek, amelyek sok összekapcsolt egységből („neuronból”) állnak, rétegekbe rendezve, és súlyozott kapcsolatokon keresztül dolgozzák fel a bemeneteket. A tanítás során a súlyokat lépésről lépésre, példák alapján módosítják, általában visszaterjesztéssel (backpropagation). Az ANN-ek a mélytanulás alapját képezik, és a képfelismerés, a beszédfelismerés és a nagy nyelvi modellek mögött állnak. Biológiai ihletésük ellenére sokkal egyszerűbben működnek, mint az emberi agy.

Témák

Mélytanulás
MI-alapok
modellek

Próbálja ki a KI.ordót

Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

Mélytanulás

A mélytanulás a gépi tanulás egyik ága, amely sok rétegű mesterséges neurális hálókat használ. Az ilyen hálók nagy adatmennyiségből tanulják meg, mely jellemzők számítanak – a képek éleitől a szövegek jelentésbeli összefüggéseiig. A mélytanulás áll a mai nyelvi modellek, a kép- és beszédfelismerés, valamint a gépi fordítás mögött, és általában jelentős számítási teljesítményt és tanítóadatot igényel.

neurális hálók
gépi tanulás
+1

Backpropagation

A visszaterjesztés (backpropagation) a neurális hálózatok tanulásának alapmódszere. Minden előrejelzés után megméri a hibát, és visszafelé terjeszti a hálózat rétegein keresztül, megmutatva, hogy az egyes súlyok mennyiben járultak hozzá. Egy optimalizálási módszer, például a gradiensereszkedés, ezután lépésről lépésre módosítja a súlyokat. Visszaterjesztés nélkül a mai nyelvi és képi modellek tanítása gyakorlatilag lehetetlen volna.

Neurális hálózatok
Training
+1

Aktivációs függvények

Az aktivációs függvények határozzák meg, milyen erősen adja tovább jelét egy mesterséges neurális hálózat neuronja. Nemlinearitást visznek a hálózatba – csak így képes az összetett összefüggések, például a nyelv vagy a képek leképezésére. Gyakori példák a ReLU, amely a negatív értékeket nullára állítja, a szigmoid a 0 és 1 közötti valószínűségekhez, valamint a sok transzformermodellben használt GELU. A választás befolyásolja a tanítás sebességét és stabilitását.

Neurális hálózatok
Mélytanulás
+1

Transformer

A transzformer egy neurális hálózati architektúra, amelyet 2017-ben az „Attention Is All You Need” kutatási cikkben mutattak be. Középpontjában a figyelemmechanizmus áll: a szöveg minden szavát a többi szóhoz viszonyítva súlyozza, és a számítás hatékonyan párhuzamosítható. A transzformerek a mai nyelvi modellek – például a GPT, a Claude és a BERT – alapját képezik, és képekhez, valamint hanghoz is használják őket.

architektúra
Mélytanulás
+1