Что такое глубокое обучение?

Под ИИ обычно подразумевается имитация или репликация поведенческих черт человека машинами, как правило, компьютерными программами. Общее понятие ИИ включает в себя несколько направлений, таких как экспертные системы, системы для характеристического анализа и робототехника. В системах на основе ИИ применяются различные методы имитации или моделирования поведения человека и способов принятия решений, в том числе статистические алгоритмы, эвристические процедуры, искусственные нейронные сети (ИНС) и другие продукты машинного обучения.

Машинное обучение представляет собой подраздел ИИ включает в себя автоматизированные процедуры для выведения общих правил из набора примеров данных, т. е. правила «изучаются» машиной на примерах данных. Это выполняется путем применения предопределенных и понятных алгоритмов и правил, или – как в случае с глубоким обучением – с помощью искусственных нейронных сетей. В машинном обучении проводится различие между контролируемым и неконтролируемым обучением (так называемое обучение с учителем и без учителя). Обучение с учителем означает, что примеры данных для обучения содержат как входные данные, так и соответствующие ожидаемые результаты (например, результаты классификации), в то время как обучение без учителя предполагает, что система будет определять возможные результаты исходя из входных данных.

Глубокое обучение – это метод машинного обучения, который предполагает самостоятельное выстраивание (тренировку) общих правил в виде искусственной нейронной сети на примере данных во время процесса обучения. Обучение нейронной сети, особенно для систем машинного зрения, обычно проводится с учителем, т. е. на конкретных примерах данных с предварительно определенными для них результатами.

ИНС состоит из слоев «нейронов», которые связаны между собой. В самом простом случае это входной слой и выходной слой. Нейроны и связи можно рассматривать как матрицы. Матрица связей содержит связи между каждым значением матрицы ввода и значениями матрицы результата. Значения матрицы связей содержат весовые коэффициенты каждой соответствующей взаимосвязи. В результате взвешивания входного значения на основе значения в матрице логики заносится соответствующее значение в матрицу результата.

При обучении ИНС фокус изначально устанавливается случайным образом. Затем постепенно добавляются примеры данных. Для корректировки весовых коэффициентов связей с учетом входных данных и ожидаемого результата применяется правило обучения. Эффективность работы ИНС, то есть точность логических выводов, а значит, результата, в значительной степени зависит от примеров данных, используемых в обучении. Большой объем примеров данных с высокой степенью вариабельности содержания является залогом более точных результатов логических выводов. Если обучение осуществляется на основе большого количества очень похожих или повторяющихся данных, ИНС не сможет анализировать реальные данные, если они отличаются от примеров данных. В этом случае проводится «переобучение» ИНС.

Классификация изображений предполагает определение классов объектов на изображениях, например, для отделения дефектных компонентов от бездефектных и их сортировки их по разным типам дефектов или распределения отпускных изображений по различным категориям. Так, в производстве печенья эта задача будет заключаться в проверке каждого печенья на предмет того, целое оно или раскрошилось.

Глубокое обучение также используется на этапе обработки и оптимизации изображений, например, для удаления шума или компенсации искажений, характерных для различных объективов.