Contenuto
Fonte: Kran77 / Dreamstime.com
Porta via:
I modelli di deep learning stanno insegnando ai computer a pensare da soli, con alcuni risultati molto divertenti e interessanti.
Il deep learning viene applicato a sempre più settori e settori. Dalle auto senza conducente, alla riproduzione di Go, alla generazione di musica per immagini, ogni giorno escono nuovi modelli di apprendimento profondo. Qui andiamo su diversi modelli di apprendimento profondo popolari. Scienziati e sviluppatori stanno prendendo questi modelli e modificandoli in modi nuovi e creativi. Speriamo che questa vetrina possa ispirarti a vedere cosa è possibile. (Per conoscere i progressi dell'intelligenza artificiale, vedi I computer saranno in grado di imitare il cervello umano?)
Stile neurale
Non puoi migliorare le tue capacità di programmazione quando a nessuno importa della qualità del software.
Neural Storyteller
Neural Storyteller è un modello che, quando viene data un'immagine, può generare una storia d'amore sull'immagine. È un giocattolo divertente eppure puoi immaginare il futuro e vedere la direzione in cui si muovono tutti questi modelli di intelligenza artificiale.
La funzione sopra è l'operazione "spostamento di stile" che consente al modello di trasferire didascalie di immagini standard allo stile delle storie dei romanzi. Il cambio di stile è stato ispirato da "Un algoritmo neurale di stile artistico".
Dati
Esistono due principali fonti di dati utilizzate in questo modello. MSCOCO è un set di dati di Microsoft contenente circa 300.000 immagini, con ogni immagine contenente cinque didascalie. MSCOCO è il solo dato supervisionato utilizzato, il che significa che sono i soli dati in cui gli umani dovevano entrare e scrivere esplicitamente didascalie per ogni immagine.
Una delle principali limitazioni di una rete neurale feed-forward è che non ha memoria. Ogni previsione è indipendente dai calcoli precedenti, come se fosse la prima e unica previsione mai effettuata dalla rete. Ma per molte attività, come la traduzione di una frase o di un paragrafo, gli input dovrebbero consistere in dati sequenziali e conici correlati. Ad esempio, sarebbe difficile dare un senso a una singola parola in una frase senza la contro fornita dalle parole circostanti.
Gli RNN sono diversi perché aggiungono un altro set di connessioni tra i neuroni. Questi collegamenti consentono alle attivazioni dei neuroni in uno strato nascosto di alimentare di nuovo se stesse al passaggio successivo della sequenza. In altre parole, ad ogni passaggio, un livello nascosto riceve sia l'attivazione dal livello sottostante sia anche dal passaggio precedente nella sequenza. Questa struttura fornisce essenzialmente memoria delle reti neurali ricorrenti. Quindi, per il compito di rilevare oggetti, un RNN può attingere alle sue precedenti classificazioni di cani per aiutare a determinare se l'immagine corrente è un cane.
Char-RNN TED
Questa struttura flessibile nel livello nascosto consente agli RNN di essere molto buoni per i modelli linguistici a livello di personaggio. Char RNN, originariamente creato da Andrej Karpathy, è un modello che prende un file come input e addestra un RNN per imparare a prevedere il personaggio successivo in una sequenza. L'RNN può generare carattere per carattere che assomiglierà ai dati di allenamento originali. Una demo è stata preparata usando le trascrizioni di vari TED Talks. Alimenta il modello una o più parole chiave e genererà un passaggio sulle parole chiave nella voce / stile di una conversazione TED.
Conclusione
Questi modelli mostrano nuove scoperte nell'intelligenza artificiale che è diventata possibile grazie al deep learning. Il deep learning mostra che possiamo risolvere problemi che non avremmo mai potuto risolvere prima e che non abbiamo ancora raggiunto quell'altopiano. Aspettatevi di vedere molte altre cose eccitanti come le auto senza conducente nei prossimi due anni a seguito dell'innovazione del deep learning.