Журнал "Системы безопасности" #5, 2019

П режде чем перейти непосредственно к тех- нологиям глубокого обучения и нейронным сетям, посмотрим на стандартное машинное обучение "с высоты птичьего полета". Как пра- вило, оно заключается в построении интеллек- туальной модели, которая преобразует одни данные в другие и зависит от набора опреде- ленных параметров. Модели показывается обучающая выборка, и ее параметры корректи- руются таким образом, чтобы обученная модель могла давать правильные ответы в соот- ветствии с известными данными из обучающей выборки, а также хорошо работать с новыми данными, которые она еще не видела. Если модель правильно обучилась, то она умеет обобщать, генерализовать и выдавать верные ответы, причем на входе и выходе могут использоваться самые разные типы данных: l абстрактная информация (векторы с неболь- шим количеством элементов и др.); l изображение/видео (компьютерное зрение); l текст (анализ комментариев); l аудио (распознавание речи). Выше перечислены четыре типа данных. Ото- бразить одни данные в другие, например изоб- ражение в текст, аудио в текст или текст в абстрактную информацию, можно с помощью модели. Именно такие задачи лучше всего на сегодняшний день решают глубокие нейронные сети. Обучение нейронных сетей Как должны быть сконфигурированы нейронные сети, чтобы качественно работать? Один из используемых методов – обучение внутреннего промежуточного представления, а именно авто- матическое извлечение признаков из данных. Если слоев нейронной сети несколько, то про- межуточное представление становится более сложным и многоуровневым. Вычисление одного слоя в простых нейронных сетях эквива- лентно одной линейной операции. Самый распространенный подход к обучению нейронных сетей – это обучение с учителем (на примерах). В этом случае используется обучающая выборка из пар входных объектов и правильных ответов и производится поиск параметров, которые минимизируют ошибки. Ошибка вычисляется и корректируется не сразу на всех образцах, а на подвыборке или одном объекте с помощью стохастического градиент- ного спуска. Сверточные нейронные сети для распознавания и синтеза визуальных данных Принцип действия сверточных нейронных сетей заключается в извлечении обучаемых призна- ков (локальных особенностей, локальных дескрипторов) изображения. В результате такая нейронная сеть может автоматически строить карты высококачественных визуальных призна- ков. Можно пойти глубже и извлекать не просто признаки, а признаки в пространстве признаков предшествующего уровня, другими словами, иерархию признаков. Так создается глубокая сверточная нейронная сеть и высокоуровневая карта признаков на выходе, где каждый нейрон соответствует уже более сложному элементу изображения. В сверточных сетях присутствуют три типа слоев: 1. Сверточный. На входе картинка (как прави- ло, одноканальная) сворачивается с набором ядер сверток, в результате получается набор карт признаков. На входе также может быть октябрь – ноябрь 2019 www.secuteck.ru МАШИННОЕ ЗРЕНИЕ В И Д Е О Н А Б Л Ю Д Е Н И Е 82 Дмитрий Коробченко Инженер по глубокому обучению компании NVIDIA Рис. 1. Машинное обучение Рис. 2. Задачи, решаемые с помощью Deep Learning Технологии AI: как машины решают интеллектуальные и творческие задачи Нейросети, искусственный интеллект и Deep Learning – самые горячие направления, которые по мере совершенствования алгоритмов стремительно захватывают новые сферы и рынки. По экспертным прогнозам, в перспективе глубокие нейронные сети способны превзойти человека по самым разным функциям. В этой статье разберем- ся, какие типы нейросетей существуют, как именно они работают и обучаются и какие конкретные задачи помогают решать уже сегодня