Neyron tarmoq asoslari va uni chuqur o'rganish

Проблемы порождающих моделей

Иногда изображения, созданные порождающей моделью, содержат шум. В случае VAE по-лучаются слегка размытые изображения – это следствие способа их порождения. В случае ПСС порожденное изображение улавливает стиль, характерный для входных данных, но картинка в целом не вполне достоверна (т. е. изображение собаки мы получаем, но какое-то не такое).

Сверточные нейронные сети (СНС)

Цель СНС – отыскать в данных признаки высшего порядка посредством опера-ции свертки. Они хорошо приспособлены к распознаванию объектов на изобра-жениях и регулярно выигрывают соревнования по классификации изображений.

0. 
   их помощью можно идентифицировать лица отдельных людей, дорожные зна-ки, утконосов и другие визуальные образы. СНС пересекаются с анализом текста благодаря оптическому распознаванию символов, но полезны также для анализа слов10 как дискретных текстовых единиц. Хороши они и для анализа звуковых данных.
   

Эффективность СНС как средства распознавания изображений – одна из ос-новных причин, объясняющих, почему мир признал мощь глубокого обучения. Как показывает рис. 4.7, СНС отлично справляются с задачей конструирования признаков, не зависящих от положения и (в какой-то мере) от угла поворота ис-ходных данных.

СНС стоят за основными достижениями в машинном зрении, которое име-ет очевидные приложения в беспилотных автомобилях, робототехнике, дронах и приспособлениях для слабовидящих.

0. 
   Kalchbrenner et al., 2016. Neural Machine Translation in Linear Time // https://arxiv.org/abs/ 1610.10099.
   

118  Основные архитектуры глубоких сетей


Рис. 4.7  СНС и компьютерное зрение СНС и структурные закономерности в данных

СНС особенно полезны, когда во входных данных имеется некоторая структура. Например, изображения и звуковые данные с повторяющимися паттернами, когда между близкими входными значениями имеется пространственная связь. С другой стороны, табличные дан-ные, экспортированные из реляционной СУБД, обычно не имеют пространственных струк-турных связей. Соседние столбцы просто хранятся таким образом в базе данных.

СНС нашли применение и в других задачах, например в переводе с одного ес­ тественного языка на другой и генерации текстов на естественном языке11, а так-же в анализе тональности высказываний12. Свертка – весьма эффективное сред-ство построения более устойчивого пространства признаков по сигналу.