Neyron tarmoq asoslari va uni chuqur o'rganish

Обучение признакам. Вернемся к примеру с определением лица: нос может находиться в любом множестве пикселей – в отличие от баланса счета, который всегда находится в определенном столбце таблицы. В случае СНС мы обучаем сеть понимать, где проходят границы носа, а затем определять общую форму носа по низкоуровневым признакам «границы носа». Нижние слои сети выделяют эти признаки носа и передают их последующим слоям в виде карт признаков.

Эти мелкие карты признаков в конечном итоге объединяются в признак «лицо» на верхних слоях СНС. Это дает СНС возможность подойти к задаче, которую мно-го раз пытались решить и раньше («Является ли это лицом?»), но поставить во-прос в более простой форме, так что для получения верного ответа требуется куда меньше усилий.

Автоматизированное обучение признакам на сложных данных

Автоматическое создание признаков высшего порядка на основе необработанных исход-ных данных с целью упростить классификацию (или регрессию) – отличительный признак глубокого обучения.

Читая эту книгу, вы сможете лучше понять, как выбрать архитектуру глубокой сети, наиболее точно соответствующую типу входных данных, и как настроить ее для создания оптимальной модели набора данных.

Порождающее моделирование

Идея порождающего моделирования не нова, но глубокие сети позволили вывести его на такой уровень, где оно уже соперничает с творческими способностями че-ловека. Мы каждый день встречаемся с его проявлениями: от создания картин

0. 
   музыкальных произведений до написания обзоров сортов пива. Вот лишь не-сколько недавних примеров порождающего моделирования в действии:
   

 инцепционизм;
 моделирование манеры конкретного художника;  порождающие состязательные сети;  рекуррентные нейронные сети.

Кратко рассмотрим каждый из этих пунктов.

Инцепционизм. Инцепционизм13 – это техника, при которой порядок слоев обученной сверточной сети меняется на противоположный, и ей на вход подает-ся изображение с априорным ограничением. Изображения последовательно мо-дифицируются способом, который можно было бы назвать «галлюцинаторным». Если на входе имелось изображение неба, то на выходе мы можем увидеть рыбьи­ морды на фоне облаков. Это направление исследований, начатое компанией Google, показало, что дискриминантная модель нейронной сети содержит доста-точно информации для порождения изображений.

0. 
   https://research.googleblog.com/2015/06/inceptionism-going-deeper-into-neural.html.
   

Определение глубокого обучения  91