7 секретов нейронных сетей. Или моделирование разума ИИ

В нашем примере модель учиться распознавать характеристики и признаки на изображениях, которые делают его изображением собаки или кошки.

Больше того, датасеты играют ключевую роль не только в обучении модели, но и в ее оценке. Обычно датасет разделяется на две или три части: обучающую выборку, валидационную (или проверочную) выборку и тестовую выборку.

Модель обучается на обучающей выборке, настраивается с помощью валидационной выборки и проверяется на тестовой выборке. Это позволяет убедиться, что модель обобщает извлеченные из данных закономерности, признаки, а не просто запоминает ответы на конкретные примеры.

Вы скажите что определить кошка или собака просто, тогда давайте рассмотрим пример определения марки авто нейронкой и что для неё значит иметь правильную DataSet базу.

Представим, что у нас есть задача – обучить нейронную сеть отличать на фотографиях автомобили Mercedes от автомобилей BMW. Да, нейронные сети способны на это, и весьма успешно!

Мы начинаем с создания датасета.

Сколько фотографий нам нужно? Чем больше, тем лучше – больше данных позволит модели обнаружить больше нюансов и деталей. Какое качество этих фотографий?

Важно, чтобы они были достаточно четкими и детализированными, чтобы модель могла увидеть все отличительные особенности автомобилей. Что насчет цвета?

Если наши фотографии включают в себя автомобили разных цветов, модель сможет лучше понять, что цвет кузова не влияет на марку автомобиля.

Теперь у нас есть датасет, и мы готовы начать обучение. Наша нейронная сеть, можно сказать, работает как серия фильтров, каждый из которых «вылавливает» определенные характеристики изображений. Первый слой может улавливать простые вещи, например, границы и контуры объектов.

Второй слой, работая с информацией от первого, может начать распознавать более сложные вещи, такие как формы и узоры.

Третий слой может увидеть еще более сложные детали – например, форму логотипа на решетке радиатора.

В конце концов, последний слой нашей нейронной сети получает информацию от всех предыдущих слоев и делает окончательное предсказание: это Mercedes или BMW.

Если он правильно угадывает на большинстве примеров в нашем датасете, мы можем сказать, что наша модель обучилась успешно.