Deep Learning là gì? Tổng quan về Deep learning

Sự khác biệt giữa AI, Machine Learning và Deep Learning là gì?
Trí tuệ nhân tạo là nghiên cứu về cách chế tạo những cỗ máy có khả năng thực hiện các nhiệm vụ thường đòi hỏi trí thông minh của con người.

AI ( Artificial Intelligence ) gồm có nhiều nghành nghề dịch vụ điều tra và nghiên cứu, từ thuật toán di truyền đến những mạng lưới hệ thống chuyên viên và cung ứng khoanh vùng phạm vi cho những lập luận về những gì cấu thành AI .Trong nghành nghiên cứu và điều tra AI, Machine Learning đã đạt được thành công xuất sắc đáng kể trong những năm gần đây – được cho phép máy tính vượt qua hoặc tiến gần đến việc phối hợp hiệu suất của con người trong những nghành nghề dịch vụ từ nhận dạng khuôn mặt đến nhận dạng giọng nói và ngôn từ .

Machine Learning là quá trình dạy máy tính thực hiện một nhiệm vụ, thay vì lập trình nó làm thế nào để thực hiện nhiệm vụ đó từng bước một.

Khi kết thúc huấn luyện và đào tạo, một mạng lưới hệ thống Machine Learning sẽ hoàn toàn có thể đưa ra Dự kiến đúng mực khi được phân phối tài liệu .Điều đó nghe có vẻ như khô khan, nhưng những Dự kiến đó hoàn toàn có thể vấn đáp liệu một miếng trái cây trong ảnh là chuối hay táo, nếu một người đang băng qua trước một chiếc xe tự lái, mặc dầu việc sử dụng sách từ trong câu tương quan đến bìa mềm hoặc đặt phòng khách sạn, mặc dầu email là thư rác hay nhận dạng giọng nói đủ đúng mực để tạo chú thích cho video YouTube .Machine Learning thường được chia thành học có giám sát, trong đó máy tính học bằng ví dụ từ tài liệu được gắn nhãn và học không giám sát, trong đó những máy tính nhóm những tài liệu tựa như và xác lập đúng mực sự không bình thường .Deep Learning là một tập hợp con của Machine Learning, có năng lực độc lạ ở 1 số ít góc nhìn quan trọng so với Machine Learning nông truyền thống cuội nguồn, được cho phép máy tính xử lý một loạt những yếu tố phức tạp không hề xử lý được .Một ví dụ về một trách nhiệm Machine Learning đơn thuần, nông cạn hoàn toàn có thể Dự kiến doanh thu bán kem sẽ biến hóa như thế nào dựa trên nhiệt độ ngoài trời. Việc đưa ra Dự kiến chỉ sử dụng một vài tính năng tài liệu theo cách này là tương đối đơn thuần và hoàn toàn có thể được triển khai bằng cách sử dụng một kỹ thuật Machine Learning gọi là hồi quy tuyến tính với độ dốc giảm dần .Vấn đề là hàng loạt yếu tố trong quốc tế thực không tương thích với những quy mô đơn thuần như vậy. Một ví dụ về một trong những yếu tố trong thực tiễn phức tạp này là nhận ra những số viết tay .Để xử lý yếu tố này, máy tính cần phải có năng lực đối phó với sự phong phú lớn trong phương pháp trình diễn tài liệu. Mỗi chữ số từ 0 đến 9 hoàn toàn có thể được viết theo vô số cách : size và hình dạng đúng chuẩn của mỗi chữ số viết tay hoàn toàn có thể rất khác nhau tùy thuộc vào người viết và trong thực trạng nào .Đối phó với sự biến hóa của những tính năng này và sự lộn xộn tương tác lớn hơn giữa chúng, là nơi học tập sâu và mạng lưới thần kinh sâu trở nên có ích .Mạng lưới thần kinh là những quy mô toán học có cấu trúc được lấy cảm hứng lỏng lẻo từ bộ não .Mỗi nơ-ron trong mạng nơ-ron là một hàm toán học lấy tài liệu trải qua nguồn vào, biến hóa tài liệu đó thành dạng dễ kiểm soát và điều chỉnh hơn và sau đó phun ra trải qua đầu ra. Bạn hoàn toàn có thể nghĩ về những nơ-ron trong một mạng lưới thần kinh như được sắp xếp theo lớp, như hình dưới đây .

Hình ảnh: Nick Heath / ZDNet

Tất cả những mạng thần kinh đều có một lớp nguồn vào, trong đó tài liệu bắt đầu được đưa vào và một lớp đầu ra, tạo ra Dự kiến sau cuối. Nhưng trong một mạng lưới thần kinh sâu, sẽ có nhiều “ lớp tế bào ” ẩn giữa những lớp nguồn vào và đầu ra, mỗi lớp cho tài liệu vào nhau. Do đó, thuật ngữ “ Deep ” trong “ Deep Learning ” và “ mạng lưới thần kinh sâu ”, nó tương quan đến số lượng lớn những lớp ẩn – thường lớn hơn ba – tại TT của những mạng thần kinh này .Sơ đồ đơn giản hóa ở trên kỳ vọng sẽ giúp cung ứng một ý tưởng sáng tạo về cách cấu trúc một mạng lưới thần kinh đơn thuần. Trong ví dụ này, mạng đã được giảng dạy để nhận ra những số liệu viết tay, ví dụ điển hình như số 2 được hiển thị ở đây, với lớp nguồn vào được phân phối những giá trị đại diện thay mặt cho những px tạo thành hình ảnh của một chữ số viết tay và lớp đầu ra dự đoán số viết tay nào đã được hiển thị trong hình ảnh .Trong sơ đồ trên, mỗi vòng tròn đại diện thay mặt cho một nơ-ron trong mạng, với những nơ-ron được tổ chức triển khai thành những lớp thẳng đứng .Như bạn hoàn toàn có thể thấy, mỗi nơ-ron được link với mọi nơ-ron ở lớp sau, bộc lộ trong thực tiễn là mỗi nơ-ron tạo ra một giá trị vào mỗi nơ-ron ở lớp tiếp theo. Màu sắc của những link trong sơ đồ cũng khác nhau. Các màu khác nhau, đen và đỏ, biểu lộ tầm quan trọng của những link giữa những nơ-ron. Các link màu đỏ là những link có ý nghĩa lớn hơn, có nghĩa là chúng sẽ khuếch đại giá trị khi nó đi qua giữa những lớp. Đổi lại, sự khuếch đại giá trị này hoàn toàn có thể giúp kích hoạt tế bào thần kinh mà giá trị đang được đưa vào .Một nơ-ron hoàn toàn có thể được cho là đã được kích hoạt khi tổng những giá trị được đưa vào nơ-ron này vượt qua ngưỡng đã đặt. Trong sơ đồ, những tế bào thần kinh được kích hoạt có màu đỏ. Kích hoạt này có nghĩa là khác nhau theo lớp. Trong “ Lớp ẩn 1 ” được hiển thị trong sơ đồ, một nơ ron kích hoạt hoàn toàn có thể có nghĩa là hình ảnh của hình viết tay chứa một tổng hợp px nhất định giống với đường nằm ngang ở đầu số viết tay 7. Theo cách này, “ Lớp ẩn 1 “ Có thể phát hiện nhiều đường và đường cong câu truyện sau cuối sẽ tích hợp với nhau thành hình viết tay rất đầy đủ .Một mạng lưới thần kinh trong thực tiễn hoàn toàn có thể sẽ có cả hai lớp ẩn và nhiều nơ-ron hơn trong mỗi lớp. Ví dụ : “ Lớp ẩn 2 ” hoàn toàn có thể được cung ứng những đường và đường cong nhỏ được xác lập bởi “ Lớp ẩn 1 ” và phát hiện cách chúng tích hợp để tạo thành những hình dạng hoàn toàn có thể nhận ra, tạo thành những chữ số, như hàng loạt vòng lặp dưới cùng của sáu. Bằng cách phân phối tài liệu chuyển tiếp giữa những lớp theo cách này, mỗi lớp ẩn tiếp theo giải quyết và xử lý những tính năng ngày càng cao hơn .Như đã đề cập, tế bào thần kinh được kích hoạt trong lớp đầu ra của sơ đồ có một ý nghĩa khác. Trong trường hợp này, tế bào thần kinh được kích hoạt tương ứng với số lượng mạng thần kinh ước tính nó được hiển thị trong hình ảnh của một chữ số viết tay mà nó được cung ứng làm đầu vào .Như bạn hoàn toàn có thể thấy, đầu ra của một lớp là nguồn vào của lớp tiếp theo trong mạng, với tài liệu chảy qua mạng từ đầu vào đến đầu ra .Nhưng làm thế nào để nhiều lớp ẩn này được cho phép một máy tính xác lập thực chất của một chữ số viết tay ? Nhiều lớp tế bào thần kinh này về cơ bản cung ứng một cách để mạng lưới thần kinh thiết kế xây dựng một mạng lưới hệ thống phân cấp thô gồm những tính năng khác nhau tạo nên chữ số viết tay trong câu hỏi. Chẳng hạn, nếu nguồn vào là một mảng những giá trị đại diện thay mặt cho những px riêng không liên quan gì đến nhau trong hình ảnh của hình viết tay, lớp tiếp theo hoàn toàn có thể phối hợp những px này thành những đường và hình dạng, lớp tiếp theo phối hợp những hình dạng đó thành những đặc thù riêng không liên quan gì đến nhau như những vòng lặp trong 8 hoặc tam giác trên trong 4, và như vậy. Bằng cách kiến thiết xây dựng một bức tranh về những tính năng này, những mạng thần kinh tân tiến hoàn toàn có thể xác lập – với độ đúng chuẩn rất cao – số lượng tương ứng với một chữ số viết tay. Tương tự, những loại mạng thần kinh sâu khác nhau hoàn toàn có thể được đào tạo và giảng dạy để nhận diện khuôn mặt trong hình ảnh hoặc để phiên âm lời nói bằng văn bản .Quá trình thiết kế xây dựng mạng lưới hệ thống phân cấp ngày càng phức tạp này của những tính năng của số viết tay không có gì ngoài những px được mạng học. Quá trình học tập được thực thi bằng cách mạng hoàn toàn có thể biến hóa tầm quan trọng của những link giữa những nơ-ron trong mỗi lớp. Mỗi link có một giá trị đính kèm được gọi là trọng số, nó sẽ sửa đổi giá trị được tạo ra bởi một nơron khi nó truyền từ lớp này sang lớp sau đó. Bằng cách biến hóa giá trị của những trọng số này và một giá trị tương quan được gọi là rơi lệch, hoàn toàn có thể nhấn mạnh vấn đề hoặc làm giảm tầm quan trọng của những link giữa những nơ-ron trong mạng .Ví dụ, trong trường hợp quy mô nhận dạng chữ số viết tay, những trọng số này hoàn toàn có thể được sửa đổi để nhấn mạnh vấn đề tầm quan trọng của một nhóm px đơn cử tạo thành một dòng hoặc một cặp những đường giao nhau tạo thành 7 .

Một minh họa về cấu trúc của một mạng lưới thần kinh và cách đào tạo hoạt động.

Mô hình học được các liên kết giữa các nơ-ron rất quan trọng trong việc đưa ra dự đoán thành công trong quá trình đào tạo. Ở mỗi bước trong quá trình đào tạo, mạng sẽ sử dụng một hàm toán học để xác định mức độ chính xác của dự đoán mới nhất của nó so với dự kiến. Hàm này tạo ra một loạt các giá trị lỗi, do đó hệ thống có thể sử dụng để tính toán cách mô hình nên cập nhật giá trị của các trọng số được gắn vào mỗi liên kết, với mục đích cuối cùng là cải thiện độ chính xác của các dự đoán của mạng. Mức độ mà các giá trị này sẽ được thay đổi được tính bởi một chức năng tối ưu hóa, chẳng hạn như giảm độ dốc và những thay đổi đó được đẩy lùi trên toàn mạng vào cuối mỗi chu kỳ đào tạo trong một bước gọi là lan truyền ngược.

Trải qua nhiều, rất nhiều chu kỳ luân hồi huấn luyện và đào tạo và với sự trợ giúp của việc kiểm soát và điều chỉnh tham số thủ công bằng tay không tiếp tục, mạng sẽ liên tục nue để tạo Dự kiến tốt hơn và tốt hơn cho đến khi nó đạt gần với độ đúng chuẩn cao nhất. Tại thời gian này, ví dụ, khi những chữ số viết tay hoàn toàn có thể được nhận ra với độ đúng mực hơn 95 %, quy mô Deep Learning hoàn toàn có thể nói là đã được huấn luyện và đào tạo .Về cơ bản, Deep Learning được cho phép Machine Learning xử lý một loạt những yếu tố phức tạp mới – ví dụ điển hình như nhận dạng hình ảnh, ngôn từ và lời nói – bằng cách được cho phép máy móc khám phá cách những tính năng trong tài liệu kết hợp thành những dạng trừu tượng ngày càng cao hơn. Ví dụ : trong nhận dạng khuôn mặt, cách những px trong hình ảnh tạo ra những đường và hình dạng, cách những đường và hình dạng đó tạo ra những đặc thù khuôn mặt và cách những đặc thù khuôn mặt này được sắp xếp thành một khuôn mặt .

Tại sao nó được gọi là Deep Learning?

Như đã đề cập, độ sâu đề cập đến số lượng những lớp ẩn, thường là hơn ba, được sử dụng trong những mạng lưới thần kinh sâu .

Làm thế nào mà Deep Learning được sử dụng?

Đối với nhiều trách nhiệm, để phân biệt và tạo hình ảnh, lời nói và ngôn từ và tích hợp với học tăng cường để tương thích với hiệu suất của con người trong những game show từ cổ đại, như Go, đến văn minh, như Dota 2 và Quake III .Hệ thống học tập sâu là một nền tảng của những dịch vụ trực tuyến tân tiến. Các mạng lưới hệ thống như vậy được Amazon sử dụng để hiểu những gì bạn nói – cả lời nói và ngôn từ bạn sử dụng – với trợ lý ảo Alexa hoặc Google để dịch văn bản khi bạn truy vấn website tiếng quốc tế .Mỗi tìm kiếm của Google sử dụng nhiều mạng lưới hệ thống Machine Learning, để hiểu ngôn từ trong truy vấn của bạn trải qua việc cá thể hóa hiệu quả của bạn, thế cho nên những người đam mê câu cá tìm kiếm “ bass ” không bị ngập trong hiệu quả về guitar .Nhưng ngoài những bộc lộ rất rõ ràng về máy móc và học tập sâu, những mạng lưới hệ thống như vậy đang mở màn tìm thấy một ứng dụng trong mọi ngành công nghiệp. Những ứng dụng này gồm có : tầm nhìn máy tính cho xe không người lái, máy bay không người lái và robot giao hàng ; nhận dạng và tổng hợp ngôn từ và ngôn từ cho chatbot và robot dịch vụ ; nhận dạng khuôn mặt để giám sát ở những nước như Trung Quốc ; giúp những bác sĩ X quang chọn ra những khối u trong tia X, giúp những nhà nghiên cứu phát hiện ra những chuỗi di truyền tương quan đến những bệnh và xác lập những phân tử hoàn toàn có thể dẫn đến những loại thuốc hiệu suất cao hơn trong chăm nom sức khỏe thể chất ; được cho phép bảo dưỡng Dự kiến về hạ tầng bằng cách nghiên cứu và phân tích tài liệu cảm ứng IoT ; củng cố tầm nhìn máy tính giúp nhà hàng Amazon Go không thu tiền hoàn toàn có thể cung ứng phiên âm và dịch thuật đúng chuẩn hài hòa và hợp lý cho những cuộc họp kinh doanh thương mại – list này vẫn liên tục .

go-gallery-nội thất-v534007255.jpg
Cửa hàng Amazon Go dựa vào nhận dạng hình ảnh được hỗ trợ bằng cách tìm hiểu sâu để phát hiện những gì người mua hàng mua.

Khi nào thì bạn nên sử dụng Deep Learning

Khi tài liệu của bạn hầu hết không có cấu trúc và bạn có rất nhiều tài liệu .Các thuật toán Deep Learning hoàn toàn có thể lấy tài liệu lộn xộn và không có nhãn thoáng rộng – ví dụ điển hình như video, hình ảnh, bản ghi âm thanh và văn bản – và áp đặt đủ thứ tự cho tài liệu đó để đưa ra Dự kiến hữu dụng, kiến thiết xây dựng mạng lưới hệ thống phân cấp những tính năng tạo nên con chó hoặc con mèo một hình ảnh hoặc âm thanh tạo thành một từ trong lời nói .

Sự bùng nổ của IoT sẽ thay đổi cách phân tích dữ liệu
Xin lỗi, AI nói chung vẫn còn rất xa
10 công nghệ này rất có thể sẽ giúp cứu hành tinh Trái đất
Cuộc chiến của Google về những kẻ thù sâu sắc: Khi cuộc bầu cử hiện ra, nó chia sẻ hàng tấn video giả mạo AI

Deep Learning hay giải quyết những vấn đề như thế nào?

Như đã đề cập, những mạng nơ-ron sâu tiêu biểu vượt trội trong việc đưa ra Dự kiến dựa trên tài liệu hầu hết không có cấu trúc. Điều đó có nghĩa là họ cung ứng hiệu suất tốt nhất trong những nghành như nhận dạng giọng nói và hình ảnh, nơi họ thao tác với tài liệu lộn xộn như ghi âm lời nói và hình ảnh .

Chúng ta có nên lúc nào cũng sử dụng Deep Learning thay vì Machine Learning?

Không, chính bới học sâu hoàn toàn có thể rất tốn kém từ quan điểm thống kê giám sát .Đối với những tác vụ không tầm thường, việc huấn luyện và đào tạo một mạng lưới thần kinh sâu thường sẽ nhu yếu giải quyết và xử lý một lượng lớn tài liệu bằng cách sử dụng những cụm GPU hạng sang trong nhiều, nhiều giờ .Với những GPU số 1 hoàn toàn có thể tốn hàng ngàn đô la để mua hoặc lên tới 5 đô la mỗi giờ để thuê trên đám mây, thật không khôn ngoan khi nhảy thẳng vào tìm hiểu và khám phá sâu .Nếu yếu tố hoàn toàn có thể được xử lý bằng thuật toán Machine Learning đơn thuần hơn như suy luận Bayes hoặc hồi quy tuyến tính, thì không nhu yếu mạng lưới hệ thống phải vật lộn với sự tích hợp phức tạp của những tính năng phân cấp trong tài liệu, thì những tùy chọn nhu yếu đo lường và thống kê ít hơn này sẽ là sự lựa chọn tốt hơnDeep Learning cũng hoàn toàn có thể không phải là lựa chọn tốt nhất để đưa ra Dự kiến dựa trên tài liệu. Ví dụ : nếu tập tài liệu nhỏ thì đôi lúc những quy mô Machine Learning tuyến tính đơn thuần hoàn toàn có thể mang lại hiệu quả đúng chuẩn hơn – mặc dầu 1 số ít chuyên viên về Machine Learning cho rằng mạng thần kinh Deep Learning được huấn luyện và đào tạo đúng cách vẫn hoàn toàn có thể hoạt động giải trí tốt với một lượng nhỏ tài liệu .

AI và sức khỏe: Sử dụng Machine Learning để hiểu hệ thống miễnLearning dịch của con người
HPE sẽ là kết thúc có hậu của MapR chứ?
Microsoft: Nếu PC Windows 10 của bạn được AI chọn để cập nhật, sự cố sẽ ít xảy ra hơn
Các nhà nghiên cứu của Nvidia sử dụng học tập sâu để tạo ra các video chuyển động siêu chậm

Một trong những nhược điểm của Deep Learning là gì?

Một trong những điểm yếu kém lớn là lượng tài liệu họ cần đào tạo và giảng dạy, gần đây Facebook công bố họ đã sử dụng một tỷ hình ảnh để đạt được hiệu suất phá kỷ lục bởi một mạng lưới hệ thống nhận dạng hình ảnh. Khi những bộ tài liệu lớn như vậy, những mạng lưới hệ thống đào tạo và giảng dạy cũng nhu yếu quyền truy vấn vào một lượng lớn sức mạnh giám sát phân tán. Đây là một yếu tố khác của học tập sâu, ngân sách đào tạo và giảng dạy. Do size của bộ tài liệu và số chu kỳ luân hồi huấn luyện và đào tạo phải được chạy, giảng dạy thường nhu yếu quyền truy vấn vào phần cứng máy tính can đảm và mạnh mẽ và đắt tiền, nổi bật là GPU hạng sang hoặc mảng GPU. Cho dù bạn đang thiết kế xây dựng mạng lưới hệ thống của riêng mình hoặc thuê phần cứng từ nền tảng đám mây, không có tùy chọn nào hoàn toàn có thể rẻ .Mạng lưới thần kinh sâu cũng khó giảng dạy, do cái được gọi là yếu tố độ dốc biến mất, hoàn toàn có thể làm xấu đi nhiều lớp hơn trong mạng lưới thần kinh. Khi nhiều lớp được thêm vào, yếu tố độ dốc biến mất hoàn toàn có thể dẫn đến việc mất một thời hạn dài không hề để giảng dạy một mạng lưới thần kinh đến một mức độ đúng chuẩn tốt, vì sự cải tổ giữa mỗi chu kỳ luân hồi giảng dạy là rất ít. Vấn đề không ảnh hưởng tác động đến tổng thể những mạng thần kinh nhiều lớp, thay vào đó là những mạng sử dụng phương pháp học tập dựa trên độ dốc. Điều đó nói rằng yếu tố này hoàn toàn có thể được xử lý theo nhiều cách khác nhau, bằng cách chọn một công dụng kích hoạt tương thích hoặc bằng cách huấn luyện và đào tạo một mạng lưới hệ thống sử dụng GPU hạng nặng .

Deep Learning giúp Google theo dõi nguy cơ đau tim
Tương lai của tương lai: Spark, hiểu biết dữ liệu lớn, phát trực tuyến và Deep Learning trong đám mây

Tại sao rất khó để đào tạo mạng lưới thần kinh Deep Learning?

Như đã đề cập, mạng lưới thần kinh sâu rất khó đào tạo và giảng dạy vì số lượng những lớp trong mạng lưới thần kinh. Số lượng những lớp và link giữa những nơ-ron trong mạng sao cho khó hoàn toàn có thể giám sát những kiểm soát và điều chỉnh cần triển khai ở mỗi bước trong tiến trình đào tạo và giảng dạy – một yếu tố được gọi là yếu tố độ dốc biến mất .Một yếu tố lớn khác là số lượng lớn tài liệu thiết yếu để đào tạo và giảng dạy mạng lưới thần kinh học tập sâu, với những tập huấn luyện thường đo kích cỡ petabyte .

Có những kỹ thuật Deep Learning nào?

Có nhiều loại mạng lưới thần kinh sâu, với những cấu trúc tương thích với những loại trách nhiệm khác nhau. Ví dụ : Mạng thần kinh quy đổi ( CNN ) thường được sử dụng cho những tác vụ thị giác máy tính, trong khi Mạng thần kinh tái phát ( RNN ) thường được sử dụng để giải quyết và xử lý ngôn từ. Mỗi lớp có những trình độ riêng, trong CNN, những lớp khởi đầu được chuyên biệt để trích xuất những tính năng riêng không liên quan gì đến nhau từ hình ảnh, sau đó được đưa vào mạng thần kinh thường thì hơn để cho phép hình ảnh được phân loại. Trong khi đó, RNN khác với mạng nơ ron chuyển tiếp thức ăn truyền thống lịch sử ở chỗ chúng không chỉ phân phối tài liệu từ lớp thần kinh này sang lớp thần kinh tiếp theo mà còn có những vòng phản hồi tích hợp, trong đó đầu ra tài liệu từ một lớp được đưa trở lại lớp trước nó – cho mạng một dạng bộ nhớ. Có một dạng RNN chuyên biệt hơn gồm có cái được gọi là ô nhớ và được kiểm soát và điều chỉnh để giải quyết và xử lý tài liệu có độ trễ giữa những nguồn vào .

Loại mạng thần kinh cơ bản nhất là mạng perceptron nhiều lớp, loại được thảo luận ở trên trong ví dụ về các số liệu viết tay, trong đó dữ liệu được đưa về phía trước giữa các lớp tế bào thần kinh. Mỗi nơ-ron thường sẽ biến đổi các giá trị mà chúng được cung cấp bằng cách sử dụng chức năng kích hoạt, thay đổi các giá trị đó thành một dạng, ở cuối chu kỳ đào tạo, sẽ cho phép mạng tính toán được bao xa để đưa ra dự đoán chính xác.

Có một số lượng lớn những loại mạng thần kinh sâu khác nhau. Không có một mạng nào tốt hơn mạng kia, chúng chỉ tương thích hơn để học những loại trách nhiệm đơn cử .Gần đây, những mạng đối nghịch chung ( Gans ) đang lan rộng ra những gì hoàn toàn có thể để sử dụng những mạng thần kinh. Trong kiến ​ ​ trúc này, hai mạng thần kinh chiến đấu, mạng máy phát điện nỗ lực tạo ra tài liệu “ giả ” thuyết phục và người phân biệt đối xử nỗ lực phân biệt sự độc lạ giữa tài liệu giả và tài liệu thực. Với mỗi chu kỳ luân hồi đào tạo và giảng dạy, máy phát điện trở nên tốt hơn trong việc tạo ra tài liệu giả và người phân biệt đối xử có được con mắt sắc nét hơn để phát hiện ra những trá hình đó. Bằng cách phối hợp hai mạng với nhau trong quy trình huấn luyện và đào tạo, cả hai hoàn toàn có thể đạt được hiệu suất tốt hơn. GAN đã được sử dụng để thực thi một số ít trách nhiệm quan trọng .

Bạn có thể tìm hiểu thêm về AI, Machine Learning, Deep Learning tại đây.

Source: https://expgg.vn
Category: Thông tin