پث‌وایز

هوش مصنوعی چطور کار می‌کنه؟ از الگوها تا چت‌جی‌پی‌تیدرس ۴ از ۱۲

لایه‌ها: شبکه‌ی عصبی واقعاً چیه؟

نورون‌ها رو توی چند لایه به هم وصل کن و ببین چطور سیگنال از ورودی حرکت می‌کنه تا با یه نمره‌ی اطمینان به جواب نهایی برسه.

چیزی که از این درس می‌بری

  • نورون‌ها توی سه بخش چیده می‌شن: لایه‌ی ورودی، لایه‌های مخفی و لایه‌ی خروجی.
  • در یک عبور رو به جلو (Forward Pass)، داده‌ها لایه‌به‌لایه از چپ به راست حرکت می‌کنن.
  • لایه‌های بعدی یافته‌های لایه‌های قبلی رو ترکیب می‌کنن؛ منظور از «عمیق» هم داشتن لایه‌های زیاده.
فهرست این درس۴
  1. ورودی، مخفی و خروجی
  2. الگوهای ساده، شکل‌های پیچیده رو می‌سازن
  3. نکته‌های کلیدی
  4. مرور درس

۰۱ساختار شبکه

ورودی، مخفی و خروجی

یه شبکه‌ی عصبی یه لایه‌ی ورودی داره که ویژگی‌ها رو تحویل می‌گیره، یک یا چند لایه‌ی مخفی این وسط داره، و یه لایه‌ی خروجی که جواب رو تحویل می‌ده. هر نورون توی یه لایه، خروجیش رو به نورون‌های لایه‌ی بعدی می‌فرسته. به رد شدن داده‌ها از چپ به راست می‌گن عبور رو به جلو (Forward Pass).

خودت رو امتحان کنسؤال ۱ از ۴

هر لایه رو به وظیفه‌ش وصل کن

  • لایه‌ی ورودی
  • لایه‌های مخفی
  • لایه‌ی خروجی

الگوهای ساده رو با هم ترکیب می‌کنه تا الگوهای پیچیده‌تر بسازهجواب نهایی و میزان اطمینانش رو تحویل می‌دهویژگی‌ها رو می‌گیره، مثل روشنایی پیکسل‌ها

جواب رو ببین
  • لایه‌ی ورودی → ویژگی‌ها رو می‌گیره، مثل روشنایی پیکسل‌ها
  • لایه‌های مخفی → الگوهای ساده رو با هم ترکیب می‌کنه تا الگوهای پیچیده‌تر بسازه
  • لایه‌ی خروجی → جواب نهایی و میزان اطمینانش رو تحویل می‌ده

۰۲فایده‌ی لایه‌ها

الگوهای ساده، شکل‌های پیچیده رو می‌سازن

توی یه شبکه‌ی تشخیص تصویر، لایه‌های اول معمولاً به چیزهای ساده‌ای مثل لبه‌ها و نقطه‌ها واکنش نشون می‌دن؛ لایه‌های بعدی این‌ها رو ترکیب می‌کنن و شکل‌ها رو می‌سازن، و لایه‌های باز هم جلوتر چیزهایی مثل گوش یا چرخ رو تشخیص می‌دن. هیچ‌کس این مراحل رو دستی برنامه‌نویسی نکرده؛ همه‌شون از دل آموزش (Training) بیرون میان. برای همینه که یادگیری «عمیق» یعنی لایه‌های زیاد.

خودت رو امتحان کنسؤال ۲ از ۴

اگه یه شبکه بگه «cat 0.97»، تضمینیه که حتماً گربه‌ست.

  1. درست
  2. نادرست
جواب رو ببین

نادرست

غلطه. ۰٫۹۷ فقط نمره‌ی اطمینان شبکه‌ست، نه ضمانت قطعی. شبکه‌ها ممکنه با اطمینان خیلی بالا هم اشتباه کنن، مخصوصاً روی عکس‌هایی که با داده‌های دوره‌ی آموزششون فرق دارن.

قدم‌به‌قدم ببین

  1. لایه‌ی ورودی روشن می‌شه
    ۱/۴لایه‌ی ورودی روشن می‌شه

    یه شبکه‌ی کوچیک: سه تا نورون ورودی سمت چپ، دو لایه‌ی مخفی چهارتایی این وسط، و دو تا نورون خروجی سمت راست. فعلاً فقط ورودی‌ها روشن شدن؛ هر چی روشن‌تر باشن یعنی مقدار قوی‌تری دارن.

  2. اولین لایه‌ی مخفی واکنش نشون می‌ده
    ۲/۴اولین لایه‌ی مخفی واکنش نشون می‌ده

    اتصال‌های ورودی روشن می‌شن و اولین لایه‌ی مخفی واکنش نشون می‌ده. هر کدوم از چهار تا نورونش همون کاری رو انجام دادن که تو درس ۳ دیدی: مجموع وزن‌دار ورودی‌ها. بعضی‌هاشون خیلی قوی فعال می‌شن و بعضی‌ها به‌زحمت.

  3. دومین لایه‌ی مخفی روش سوار می‌شه
    ۳/۴دومین لایه‌ی مخفی روش سوار می‌شه

    سیگنال جلوتر می‌ره. دومین لایه‌ی مخفی، خروجی‌های لایه‌ی اول رو به عنوان ورودی خودش می‌گیره، برای همین به ترکیب چیزهایی واکنش نشون می‌ده که لایه‌ی اول پیدا کرده.

  4. خروجی: جواب و نمره‌ی اطمینان
    ۴/۴خروجی: جواب و نمره‌ی اطمینان

    دو تا نورون خروجی با امتیازشون روشن می‌شن: 0.92 برای جواب بالایی و 0.08 برای جواب پایینی. جواب شبکه همون گزینه‌ی بالاییه، که با ۹۲٪ اطمینان اعلام شده.

خودت رو امتحان کنسؤال ۳ از ۴

شبکه‌ی عصبی مینا فقط با عکس‌های گربه و سگ آموزش دیده. اون یه عکس خرگوش به شبکه نشون می‌ده. شبکه به احتمال زیاد چیکار می‌کنه؟

  1. می‌گه «نمی‌دونم»
  2. گربه یا سگ رو انتخاب می‌کنه (شاید حتی با اطمینان بالا)، چون این‌ها تنها جواب‌های ممکنشن
  3. از روی همون عکس یاد می‌گیره خرگوش چیه
  4. از پردازش تصویر خودداری می‌کنه
جواب رو ببین

گربه یا سگ رو انتخاب می‌کنه (شاید حتی با اطمینان بالا)، چون این‌ها تنها جواب‌های ممکنشن

درسته. لایه‌ی خروجیش فقط گربه و سگ داره. مجبوره یکی رو انتخاب کنه، و نمره‌ی اطمینان هم اصلاً بهت نمی‌گه که این سوال خارج از تجربه و آموزشش بوده.

نکته‌های کلیدی

  • یه شبکه‌ی عصبی از کلی نورون تشکیل شده که توی لایه‌ها چیده شدن و هر لایه خروجیش رو به لایه‌ی بعدی می‌ده.
  • لایه‌های مخفی الگوهای ساده رو ترکیب می‌کنن تا الگوهای پیچیده بسازن؛ منظور از یادگیری «عمیق» هم همینه: لایه‌های زیاد.
  • خروجی‌ها با نمره‌ی اطمینان همراهن، ولی این نمره اصلاً ضمانت درستی جواب نیست.
  • یه شبکه فقط می‌تونه جواب‌هایی رو بده که توی لایه‌ی خروجیش تعریف شدن.

خودت رو امتحان کنسؤال ۴ از ۴

توی یه شبکه‌ی عصبی، یه آدم تصمیم می‌گیره هر نورون مخفی دنبال چی بگرده.

  1. درست
  2. نادرست
جواب رو ببین

نادرست

غلطه. آدم‌ها شکل کلی شبکه رو طراحی می‌کنن، اما اینکه هر نورون مخفی به چی واکنش نشون بده از دل آموزش بیرون میاد. به خاطر همینه که توضیح دادن کار شبکه‌ها انقدر سخته.

۰۴جمع‌بندی

مرور درس

  • نورون‌ها توی سه بخش چیده می‌شن: لایه‌ی ورودی، لایه‌های مخفی و لایه‌ی خروجی.
  • در یک عبور رو به جلو (Forward Pass)، داده‌ها لایه‌به‌لایه از چپ به راست حرکت می‌کنن.
  • لایه‌های بعدی یافته‌های لایه‌های قبلی رو ترکیب می‌کنن؛ منظور از «عمیق» هم داشتن لایه‌های زیاده.
  • خروجی به هر جواب یه امتیاز می‌ده؛ امتیاز بالا نشانه‌ی اطمینانه، نه اثبات درست بودن.

به سبک خودت یادش بگیر.

توی اپ از یادآی بخواه این درس رو ساده‌تر توضیح بده، از زندگی خودت مثال بزنه یا عمیق‌تر بره. بعد یه مسیر کامل دور هدف خودت بساز.

Cafe Bazaar Myket توی اپ شخصی‌سازیش کن