Шаг 46.
Глубокое обучение на Python. Математические основы нейронных сетей. ... операции с тензорами. Геометрическая интерпретация глубокого обучения

    На этом шаге мы подведем некоторые итоги.

    Вы только что узнали, что нейронные сети состоят из цепочек операций с тензорами, и что все эти операции, по сути, выполняют простые геометрические преобразования исходных данных. Отсюда следует, что нейронную сеть можно интерпретировать как сложное геометрическое преобразование в многомерном пространстве, реализованное в виде последовательности простых шагов.

    Иногда в трехмерном пространстве полезно представить следующий мысленный образ. Вообразите два листа цветной бумаги: один красного цвета и другой - синего. Положите их друг на друга. Теперь сомните их в маленький комок. Этот мятый бумажный комок - ваши входные данные, а каждый лист бумаги - класс данных в задаче классификации. Суть работы нейронной сети (или любой другой модели машинного обучения) заключается в таком преобразовании комка бумаги, чтобы разгладить его и сделать два класса снова ясно различимыми. В глубоком обучении это реализуется как последовательность простых преобразований в трехмерном пространстве, как если бы вы производили манипуляции пальцами с бумажным комком по одному движению за раз.


Рис.1. Разглаживание смятого комка исходных данных

    Разглаживание комка бумаги - вот в чем суть машинного обучения: в поиске ясных представлений для сложных, перемешанных данных. Сейчас у вас должно сложиться достаточно полное понимание, почему глубокое обучение преуспевает в этом: оно использует последовательное разложение сложных геометрических преобразований в длинную цепь простых - почти так же, как поступает человек, разворачивая смятый лист. Каждый слой в глубоком обучении применяет преобразование, которое немного распутывает данные, а использование множества слоев позволяет работать с очень сложными данными.

    Со следующего шага мы начнем рассматривать механизм нейронных сетей.




Предыдущий шаг Содержание Следующий шаг