Цитата:
Сообщение от Sandy
На сегодня она функционирует именно так.
И эти самые тензорные матрицы считаются на чипах видеокарт.
Впрочем кому я..
|
Действительно, кому?
Сеть функционирует так. А то что говоришь ты - это сильно подлежащий уровень. Детали реализации (возможной).
Начав изучать или обсуждать что такое нейросети, до него - очень далеко.
Не пудри мозги людям. Это сильно не математическая тема. Там есть в чём разбираться вообще без знания математики.
https://translated.turbopages.org/pr...hine_learning)
Нейронная сеть (машинное обучение)
Искусственная нейронная сеть — это группа взаимосвязанных узлов, созданная по образу и подобию нейронов в мозге. Здесь каждый круглый узел представляет собой искусственный нейрон, а стрелка обозначает связь между выходом одного искусственного нейрона и входом другого.
В машинном обучениинейронная сеть или нейронная сеть (НС), также называемая искусственной нейронной сетью (ИНС), представляет собой вычислительную модель, основанную на структуре и функциях биологических нейронных сетей.[1][2]
Нейронная сеть состоит из связанных между собой блоков или узлов, называемых искусственными нейронами, которые в общих чертах моделируют нейроны в головном мозге. Недавно были изучены модели искусственных нейронов, которые более точно имитируют биологические нейроны, и было доказано, что они значительно повышают производительность. Они соединены ребрами, которые моделируют синапсы в головном мозге. Каждый искусственный нейрон получает сигналы от связанных с ним нейронов, затем обрабатывает их и отправляет сигнал другим связанным с ним нейронам. «Сигнал» — это действительное число, а выходной сигнал каждого нейрона вычисляется с помощью некоторой нелинейной функции от совокупности входных сигналов, называемой функцией активации.
Сила сигнала в каждом соединении определяется весом, который корректируется в процессе обучения.
Как правило, нейроны объединяются в слои. Разные слои могут выполнять различные преобразования входных данных. Сигналы проходят от первого слоя ( входного слоя) к последнему слою ( выходному слою), возможно, проходя через несколько промежуточных слоёв (скрытых слоёв). Сеть обычно называют глубокой нейронной сетью, если в ней есть как минимум два скрытых слоя.[3]
...
Этот метод основан на идее оптимизации параметров сети для минимизации разницы, или эмпирического риска, между прогнозируемым результатом и фактическими целевыми значениями в данном наборе данных.[4] Для оценки параметров сети обычно используются методы, основанные на градиенте, такие как обратное распространение.[4] На этапе обучения ANN извлекают уроки из помеченных обучающих данных, итеративно обновляя свои параметры, чтобы минимизировать определенную функцию потерь.[5] Этот метод позволяет сети обобщать ранее не встречавшиеся данные.