Google weet dat dromen een neuraal netwerk

Kunstmatig neuraal netwerk Google gecreëerd om het menselijk brein te simuleren. Deze techniek maakt het mogelijk om te herkennen en analyseren van de verschillende beelden. Zodra ontwikkelaars interessante vraag naar voren zijn gekomen: wat er zou gebeuren als de robot in staat om te dromen was? Zo'n vreemde vraag niet aan de orde uit het niets. Het is onderdeel van het project om de beelden Deep Dream te creëren.

"Deep Dream"

Ontwikkelaars zetten voordat de software specifiek doel. Dit was echter niet het doel van de wederopbouw van dromen. Deskundigen hebben neurale het netwerk keren aan de hand van het originele beeld aangevraagd door het opleggen op het een paar andere lagen. Zoals later bleek, de software is eenvoudig te leren. Dus het programma kon detectiefunctie gespecificeerde modellen te verbeteren.

opleiding

Om de functie van kunstmatige neurale netwerken te verbeteren, hebben de ontwikkelaars doorgegeven via de computer meer dan een miljoen afbeeldingen. Het was een moeizaam en tijdrovend werk, want na elk van de voorgestelde foto's ingenieurs maakte de auto te benadrukken het beeld gevonden op het object. Sheer neuraal netwerk bestaat uit meerdere lagen, en een meer accurate interpretatie van het zoeken is afhankelijk van het niveau of de status. Bijvoorbeeld voor het detecteren van afzonderlijke objecten overeenkomt uitgangslaag.

Hallucinogenic kwaliteitsfoto's

Na toenemende erkenning functies van specifieke objecten in het beeld van het neurale netwerk geconfronteerd met een lastige klus. Engineers werd gevraagd om jezelf te rijden naar afbeeldingen van bepaalde voorwerpen, waaronder een hond was, vork, zeesterren, banaan en andere items te maken. De verhuizing heeft zich volkomen gerechtvaardigd. En laat de robot dromen hebben een hallucinogene kwaliteit duidelijke beelden kan het menselijk oog te herkennen.

Het uiteindelijke doel van het project

Google is op zoek naar het neurale netwerk en het punt waar het mogelijk is om niet-bestaande gegevens te detecteren op het algemene beeld was te verbeteren. We kunnen zeggen dat de ingenieurs in staat waren om te kijken naar het onderbewustzijn van de kunstmatige intelligentie. Het gebeurde, toen de ontwikkelaars begonnen om de afbeeldingen in de bovenste laag van het neurale netwerk, een die heeft geleerd om afzonderlijke objecten te herkennen laden. Dus, bijvoorbeeld, een vooraf bepaalde parameter "een hond vorm in de wolken" gemaakt om een netwerk van hond wolken simuleren. En elke keer dat u het resultaat laadt kwam beter en beter.

Zo is de "Deep Dream" gaf de computer de mogelijkheid om het beeld te wijzigen. En het is toegestaan om voorwerpen, die niet zijn opgenomen in het beeld te herkennen. En nu, als u een verzoek "bewolkte hemel" netwerk geeft een verrassend vreemde honden en slakken.

conclusie

De methoden die worden gebruikt door de onderzoekers tijdens het project, helpen te begrijpen en te visualiseren hoe een neuraal netwerk in staat is het uitvoeren van complexe taken voor object classificatie. Dit heeft geleid tot een verbetering van de netwerkarchitectuur en mogen fase van het leerproces te regelen.