ش | ی | د | س | چ | پ | ج |
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
شبکه های عصبی و یادگیری عمیق
شبکههای عصبی مصنوعی مجموعهای از پیشگوییهای ریاضی آبشاری هستند که برای مدلسازی آزادانه درختهای تصمیمگیری پیچیده مغز انسان طراحی شدهاند. شبکه از تعدادی لایه تشکیل شده است که هر کدام یک وظیفه را در یک سری طولانی از وظایف آبشاری انجام می دهند. عبارت "یادگیری عمیق" برای توصیف یک شبکه عصبی با تعداد زیادی لایه پنهان، علاوه بر لایه های ورودی و خروجی استفاده می شود. در CT، بیشتر برنامههای کاربردی یادگیری عمیق از نوعی شبکه عصبی مصنوعی استفاده میکنند که به عنوان «شبکه عصبی کانولوشنال» شناخته میشود. در طول فرآیند آموزش، دادههای ورودی به شبکههای آبشاری وارد میشوند، که هر کدام از مجموعهای از گرههای عصبی تشکیل شدهاند که به گرههای پاییندستی متصل هستند که عملکردهای مختلف ریاضی سادهای مانند کانولوشن را انجام میدهند. در طول فرآیند، برخی از گره ها و اتصالات گره بریده می شوند و برخی دیگر تقویت می شوند، و وزنه های مرتبط کننده یک گره به گره دیگر به گونه ای تنظیم می شوند که در پایان آموزش، وزن ها یا پارامترهای شبکه عصبی به گونه ای تنظیم شوند که تفاوت بین خروجی شبکه و داده های خروجی ("حقیقت") مورد استفاده برای آموزش برای یک ورودی معین به حداقل می رسد. متعاقباً، دادههای جدیدی که شبکه قبلاً روی آنها آموزش ندیده است، میتواند به شبکه وارد شود تا اطلاعات خروجی به دست آید که به نظر میرسد منعکس کننده حقیقت پیشبینی شده است. تعداد کلی وزنها در یک شبکه میتواند میلیونها نفر باشد، و اگرچه عملیات کانولوشن اساساً خطی است، فرآیند کلی به دلیل وجود توابع فعالسازی غیرخطی بسیار غیرخطی میشود.