Поиск

Глубокое обучение

МАСШТАБНАЯ КОНФЕРЕНЦИЯGoCloud 2024:
облачные грани будущего
Подробнее
Avatar icon

Марина Суворова

Редактор блога

Статья

Время чтения

1 минута

Глубокое или глубинное обучение (Deep Learning, DL) — тип машинного обучения (Machine Learning, ML), задействующий искусственные нейронные сети, моделирующие аналитические действия человеческого мозга, чтобы научить цифровые системы самообучаться и принимать решения на основе неструктурированных неразмеченных данных.

Гипервизор — программное обеспечение для создания, запуска и контроля виртуальных машин. На них могут быть установлены разные операционные системы (ОС). Они изолированы от аппаратных систем и используют ресурсы виртуального компьютера, на котором запущены.

Результативность Deep Learning определяется работой искусственных нейронных сетей, которые выявляют закономерности, придерживаются входящих правил, создают знания на основе примеров и имитируют человеческие реакции.

Deep Learning базируется на использовании нескольких уровней обработки:

  • входящего;
  • процессных;
  • выходящего.

Основа Deep Learning — входящие данные, которые помогают алгоритмам найти и запомнить общие признаки для их последующего выявления на необработанных данных. Поэтому, чем больше входных данных — тем лучше.

Примечание: Нейронные сети могут настраиваться с помощью библиотек Python.

Как осуществляется глубокое обучение

Глубокое обучение напоминает процесс обучения человека на собственных ошибках — при совершении ошибок алгоритм получает штраф, представленный с точки зрения математики корректировкой работы функции.

Обучение сводится к нескольким этапам:

  • загрузке массива данных;
  • выявлению признаков и подготовке ответа;
  • проверке ответа на соответствие;
  • завершению обучения или перенастройке сети и повторению цикла обучения.

При таком алгоритме результат каждой последующей попытки становится ближе к правильному ответу: на точность влияет не только объем исходных данных, но и продолжительность обучения.

Примечание: На скорость обучения влияет объем задействованных для этого вычислительных мощностей.

Примеры использования глубокого обучения

Метод может использоваться для решения задач в разных областях. Например, его часто применяют для анализа изображений с целью их классификации, сегментации и обработки.

  1. Классификация
    Задача предполагает анализ изображений и разделение объектов на них на классы. Например, в практике DL используют для отделения целых компонентов от поврежденных и их последующей сортировки по типам повреждений. Так, в производстве матриц для ноутбуков классификация будет заключаться в проверке каждого изделия на целостность и разделения изображений по характеру дефектов.
  2. Сегментация изображений и распознавание объектов
    Сегментация подразумевает определение класса каждого пикселя изображения. Такой подход помогает алгоритмам различать объекты даже на больших и заполненных изображениях — находить на картинках дорожные знаки указанной формы, автомобили, здания и другие объекты с установленными ранее признаками.Например, Deep Learning может распознать объекты на конвейерной ленте и отнести их к той или иной группе.
  3. Обработка изображений
    Метод может использоваться для обработки и оптимизации фотографий и видеофайлов. Благодаря четкой работе алгоритмов и искусственных нейронных сетей, DL убирать помогает с кадров шум, компенсировать искажения, восстанавливать поврежденные или неудавшиеся участки изображения и других задач.

Запросите бесплатную консультацию по вашему проекту

Оставить заявку

Вам может понравиться