А я правильно понимаю работу нейросети или нет?
Ну к примеру распознавание письменной цифры 1 и 0 по изображению 24x24 px.
И например мы берём и рисуем кучу изображений с цифрой 1 и цифрой 0
(Разным почерком, в разных местах, в разных размерах) Это будет база для определения цифры 1 и 0!
И к примеру момент истины, я говорю моя нейросеть может распознавать цифру 1 и 0.
И прошу вас нарисовать цифру 1 или 0.
В итоге, моя программа работает просто, накладывает ту мою нарисованную базу из множества вариантов цифр 1 и 0 сверху, одну за одной по очереди, и идёт подсчет пересекающихся пикселей. В итоге можем подсчитать вероятность. И можем нарисовать график функции где относительно нарисованной цифры, пересечений больше на 1 или на 0. если подсчитать все пересечения то получим вероятность. (Конечно точность вероятности зависит от настроек)
Ну грубо говоря так? Или вообще не так?
Ну, что то похожее. Видел на ютубе чел делал нейронку для кски. Он кучу фоток т и кт сделал, в папку запихнул, и нейронка училась опозновать т или кт. Нужно много фотографий, она не должна работать как пиксель перфект.
Посмотри, будет интересно. Там очень много образцов нужно. Ну фоток 100 думаю точно на 1 обьект
Нет, ты понимаешь работу нейросети неправильно.
У тебя 24*24 = 576 входов и 1 выход. Каждый вход/выход - это отдельная координатная ось многомерного пространства обрабатываемых данных. И каждый рисунок 0 и 1 - это отдельная точка в 577-мерном пространстве.
Построим функцию y = f(x₁, ..., x₅₇₆), проходящую максимально близко к точкам обучающей выборки. Для этого соберём очень сложную алгебраическую функцию (нейросеть) из множества простых алгебраических функций (нейронов) и будем подстраивать коэф-ты этих функций, пока график нашей функции не начнёт проходить достаточно близко к точкам обучающей выборки (процесс "обучения" нейросети).
N.B. В твоём максимально упрощённом случае и xₖ, и y принимают значения 0, 1. Но куда чаще это вещественные числа или целые числа имеющие больший диапазон значений.
Построенная нами функция-нейросеть даёт правильные результаты на обучающей выборке (не получается сразу этого добиться - добавим ещё нейронов) и мы надеемся (без каких-либо гарантий), что она будет давать более-менее правильные результата на произвольных входных данных.
Именно так и работает нейросеть. Она никак не решает задачу, ничего ни с чем не сравнивает... Она лишь вычисляет значение полученной в процессе "обучения" очень сложной функции. Нейросеть не содержит ничего, кроме большого кол-ва математических вычислений.
P.S. Нейросеть не имеет никакого отношения к функционированию биологической нервной системы и моделью нервной системы никак не является - это лишь растиражированный неучами миф. Концепция нейросети появилась в 1943 году, когда о реальной работе нервной системы наука ещё ничего не знала.
Зато намного позже было математически доказано, что нейросетью можно аппроксимировать практически любую функцию. Именно потому нейросети используют для задач, не имеющих алгоритмического решения.
Нейросеть - не панацея, а костыль. Используемый в тех случаях, когда точного решения задачи не существует, но задачу надо хоть как-то решать. Даже если при этом будем регулярно получать заведомо неправильные ответы.
Нет, не хранится внутри нейросети вся база картинок. При обучении происходит подгонка кучи параметров в системе нелинейных уравнений, а уже на основе тех параметров распознаются новые картинки
ваще не так.
Прынцып работы нейросетевых алгоритмов очень точно описан в названии.
Нейросеть - это компьютерное моделирование сети нейронов ни больше ни меньше и ничего другого(выдуманного), это ни функции ни алгоритмы. только нейроны объединенные в сеть.
Каждый нейрон функционирует (принимает параметры применяет к ним свою функцию и запоминает результат) в большинстве случаев это просто общая сумма полученных по связям сети значений от других нейронов. Сеть нейронов как правило разделяется на слои. При обучении к некоторым связям нейронов (весам) применяются случайные изменения и если изменения улучшили результат эти изменения закрепляются если ухудшили ослабляются.
По сути идет построение логической машины логика работы которой изменяется случайным образом но закрепляется только логика дающая лучшие результаты.
Применение этой логики к параметрам (алгоритм) и есть результат обучения нейросети.
Нет, сеть работает совсем иначе. Можно сказать, что вы описали частный вариант устройства некоего нейроно-подобного анализатора, который тоже имеет право на жизнь (обычно нейронка все же "накладывает" картинку не на образцы, а на то, что осталось от образцов в ее "памяти"). Но, все же, возможности построения методов у нейроник сильно более широкие. А прелесть в том, что нейронку можно обучить алгоритму без понимания того, как он под капотом устроен (то есть по ее работе вообще нереально будет выяснить, что там и куда она накладывает, что с чем и как сравнивает).
