Google vet hva drømmene til et neuralt nettverk er

Kunstige nevrale nettverk Google opprettet for å simulere den menneskelige hjerne. Denne teknologien lar deg gjenkjenne og analysere forskjellige bilder. En dag utviklerne hadde et nysgjerrig spørsmål: hva ville skje hvis roboten kunne drømme? Et så merkelig spørsmål oppsto ikke fra grunnen av. Det er en del av prosjektet for å lage bilder Deep Dream.

"Deep Dream"

Utviklerne legger et bestemt mål før programvaren. Men dette målet var ikke gjenopprettelsen av drømmer. Eksperter spurte det neurale nettverket for å endre bildet basert på det opprinnelige bildet ved å legge over flere andre lag på den. Som det viste seg, er programvaren lett å lære. Dermed var programmet i stand til å forbedre deteksjonsfunksjonene til de angitte modellene.

trening

For å forbedre funksjonene til kunstige nevrale nettverk har utviklere passert mer enn en million bilder gjennom datamaskinen. Det var et omhyggelig og tidkrevende arbeid, tross alt, etter hvert foreslått bilde, tvang ingeniører maskinen til å understreke gjenstanden som er anerkjent i bildet. Det nevrale nettverket består i seg av flere lag, og en mer nøyaktig tolkning av søket avhenger av nivå og status. For eksempel er et utgangslag ansvarlig for å gjenkjenne enkelte objekter.

Hallucinogen bildekvalitet

Etter å ha økt anerkjennelsen av bestemte objekter på bildet av det nevrale nettverket, var det mer komplisert arbeid som skulle gjøres. Ingeniører ga maskinen en oppgave å lage bilder av bestemte gjenstander, blant annet en hund, gaffel, sjøstjerner, bananer og andre gjenstander. Dette trinnet har fullt ut rettferdiggjort seg selv. Og la robotdrømmene ha en hallusinogen kvalitet, det menneskelige øyet kan gjenkjenne de oppgitte bildene.

Det endelige målet for prosjektet

Google ønsker å forbedre nevrale nettverk til en stat hvor det ville være mulig å gjenkjenne ikke-eksisterende detaljer i et felles bilde. Vi kan si at ingeniører klarte å se på underbevisstheten til kunstig intelligens. Dette skjedde da utviklere begynte å laste opp bilder til det øverste laget av det nevrale nettverket, en som lærte å gjenkjenne enkelte objekter. Så, for eksempel, ga den oppgitte parameteren "hundens disposisjon i skyene" nettverksmodellen fra hundens skyer. Og med hver etterfølgende nedlasting gikk resultatet bedre og bedre ut.

Dermed "Deep Dream" ga datamaskinen muligheten til å endre bildeparametrene selvstendig. Og dette tillot oss å gjenkjenne objekter som ikke finnes i bildet. Og nå, etter anmodning fra "skyet himmel", produserer nettverket overraskende rare hunder og snegler.

konklusjon

Metoder som brukes av forskere under gjennomføringen av prosjektet, bidrar til å forstå og visualisere hvordan nevrale nettverk kan utføre komplekse oppgaver for å klassifisere objekter. Dette førte til forbedring av nettverksarkitekturen og fikk lov til å kontrollere trinnene i læringsprosessen.