Zgodnie z oficjalnym blogu Google, proces szkolenia opiera się na powtarzaniu i analizy. Na przykład, jeśli chcesz trenować SSN do identyfikacji rower, można by mu pokazać wiele milionów rowerów. Ponadto, można jasno określić - w kodzie komputerowym, oczywiście. - Co rower wygląda, dwa koła, siedzenia i kierownicy Największa
Następnie badacze włączyć sieć luźne, aby zobaczyć, jakie wyniki można go znaleźć , Nie będzie błędów. Program może, na przykład, powrót serii obrazów, w tym motocykli i motorowerów. W tych przypadkach, programiści mogą dostosować kod do wyjaśnienia do komputera, że rowery nie obejmują silników i układów wydechowych. Następnie uruchom że program, znowu i znowu, dopracowanie oprogramowania, aż powróci zadowalające rezultaty. Największa
Głęboki Sen sobie sprawę, że zespół po sieci może zidentyfikować niektórych obiektów, może to również odtworzyć te obiekty, na jego własny. Więc to sieć, która wie, rowery na oczach można następnie odtworzyć obraz rowerów bez dodatkowego wejścia. Chodzi o to, że sieć jest generowanie twórczych nowych zdjęciowe, dzięki swojej zdolności do klasyfikowania i sortowania zdjęć. Największa
Co ciekawe, nawet po przesianiu przez miliony zdjęć rowerowych, komputery jeszcze zrobić krytyczne błędy podczas generowania własnych zdjęć rowery , Mogą one obejmować częściowe ręce człowieka na kierownicy i stopy na pedałach. Dzieje się tak dlatego, że tak wiele z obrazów testowych obejmują ludzi, zbyt, a komputer w końcu nie może dostrzec, gdzie kończy się części rowerowe i ludzie części rozpocząć. Największa
Tego rodzaju błędy zdarzyć z wielu powodów, a nawet inżynierów oprogramowania nie w pełni zrozumieć każdy aspekt sieci neuronowych, które budują. Ale wiedząc, jak sieci neuronowe pracy można zacząć pojąć, jak występują te wady. Największa
Sztuczne neurony w sieci działają w stosy. Głęboki Sen może wykorzystać tylko 10 lub aż 30. Każda warstwa podnosi na różne szczegóły obrazu. Pierwsze warstwy może wykryć podstaw, takich jak granice i krawędzie w obrazie. Innym może zidentyfikować konkretne kolory i orientację. Inne warstwy mogą wyszukać określone kształty, które przypominają obiektów, takich jak krzesła lub żarówki. Ostateczne warstwy może reagować jedynie na bardziej zaawansowanych obiektów, takich jak samochody, liści lub budynków.
programiści Google nazywają ten proces inception
