صفحه اصلی > ارائه شبکه‌های عصبی ژرف (عمیق) تئوری و پیاده سازی
.: ارائه شبکه‌های عصبی ژرف (عمیق) تئوری و پیاده سازی

عنوان کارگاه: ارائه شبکه‌های عصبی ژرف (عمیق) تئوری و پیاده سازی

 

تعداد ساعت کارگاه: 4 ساعت

 

ارائه دهنده مسئول: دکتر محمد تشنه لب (استاد دانشکده‌هایمهندسی برق و مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی)

 

ارائه دهندگان همکار:مهندس سعید پیرمرادی و مهندس مصطفی تقوی (دانشکده مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی)

 

چکیده کارگاه:

 

با توجه به انواع شبکه‌های عصبی ژرف با ساختار‌‌های متنوع و آموزش‌های متفاوت بحث را در دوبخش تقسیم می‌نمائیم.

1-شبكه‌هاي عصبي كانولوشنال كه به نوعي تركيبي از بيولوژي، رياضيات و علوم كامپيوتر بشمار مي‌روند و در زماني كوتاه، كاربردهاي بسيار متنوعي بخصوص در حوزة بينايي ماشين پيدا كرده‌اند و البته كاربردهاي آن‌ها روز به روز در حوزه‌هايي نظير پردازش ويديو، پردازش صوت، پردازش متن در جمله و ... رو به افزايش است. اين شبكه‌ها براي اولين بار در سال 2012 و در جريان مسابقات ImageNet توسط Alex Krizhevsky ارائه شدند و خطاي طبقه‌بندي داده‌ها را از 26% به 15% كاهش دادند (كه در آن زمان ارتقاء چشمگيري بشمار مي‌رفت). از آن پس، شركت‌هاي بسياري از يادگيري عميق براي خدمات خود استفاده كردند كه بعنوان مثال مي‌توان به كمپاني‌هايي مانند: گوگل (براي جستجوي تصاوير)، فيسبوك (براي الگوريتم‌هاي tag زدن خودكار)، آمازون (براي بازاريابي) و ...  اشاره كرد. با اين حال كاربرد عمده و نخست اين شبكه‌ها، پردازش تصوير و بخصوص پردازش تصاوير است.

مقصود از طبقه‌بندي تصوير، فرايند اعمال تصوير به ورودي و دريافت كلاس متناظر با آن تصوير در خروجي؛ يا احتمال قرار داشتن آن تصوير در هر يك از كلاس‌ها مي‌باشد. در انسان‌ها، اين فرايند تشخيص، جزو ابتدايي‌ترين مهارت‌هايي است كه از لحظات آغازين تولد شروع به آموختن آن مي‌كنيم و بمرور جزيي از طبيعت ما مي‌شود. ما قادريم تا بدون نياز به تمركز نه چندان زياد، محيط و ساير اشيايي كه در محيط پيرامون‌مان وجود دارند را بسرعت و با دقت بالا تشخيص بدهيم. وقتي تصويري را مي‌بينيم يا به محيط اطراف خود نگاه مي‌كنيم، غالباً قادريم تا بصورت بلادرنگ و حتي بدون نياز به تصور آگاهانه و ارادي، به هر يك از اشياي موجود در آن صحنه يك برچسب اختصاص دهيم. اين مهارت در تشخيص سريع الگوها، تعميم دانش گذشته، و تطابق يافتن با تصاوير متفاوت محيطي، همان چيزهايي هستند كه ما را از همتايان ماشيني‌مان متفاوت مي‌كنند. يكي از كاربردهاي عمدة شبكه‌هاي عصبي كانولوشنال نيز در همين راستا و بمنظور ايجاد بينايي ماشيني هوشمند (يا شنوايي ماشيني هوشمند) مي‌باشد.

2- الگوریتم ­های یادگیری عمیق زیرمجموعه­ای از الگوریتم ­های یادگیری ماشین هستند. هدف این الگوریتم­ها اکتشاف سطوح مختلف از بازنمایی توزیع شده می­باشد. تاکنون الگوریتم ­های یادگیری عمیق متعددی برای حل مسائل اساسی هوش مصنوعی ارائه شده است.

یادگیری عمیق به مدل‌های محاسباتی با لایه ­های مختلف پردازشی امکان می­دهد تا بازنمایی داده­ های پیچیده با سطوح مختلف انتزاع را بیاموزند. این روش­ها به طور چشمگیری پیشرفت­های اخیر در شناسایی صوت، شناسایی اجزاء تصویر، کشف اجزاء و بسیاری از حوزه ­ها مانند جستجوی دارو و ژنتیک را تحت تاثیر قرار داده است. یادگیری عمیق ساختارهای پیچیده در پایگاه ­های داده­های عظیم را  اکتشاف می­کند و با کمک الگوریتم پس انتشار خطا  نشان می­دهد که یک مدل (ماشین) چگونه باید پارامترهای داخلی خود را برای محاسبه بازنمایی لایه مورد نظر بر اساس بازنمایی لایه قبل تغییر دهد. شبکه ­های کانولوشن عمیق در حوزه پردازش تصویر، تصاویر متحرک، پردازش زبان­های طبیعی و صوت به پیشرفت­های چشمگیری دست یافته ­اند. همچنین شبکه ­های کدکننده­ی خودکار عمیق در پردازش طیف وسیعی از داده­ها و شبکه ­های بازگشتی عمیق برای پردازش داده­های دارای توالی مانند متن و صوت به صورت قابل ملاحظه ­ای موفق بوده ­اند.