<Р> Според официалния блог на Google, процеса на обучение се основава на повторение и анализ. Например, ако искате да се обучават на ANN за идентифициране на велосипед, че ще ти покажа много милиони велосипеди. В допълнение, бихте ясно определят - при компютърен код, разбира се. - Какво велосипед прилича, с две колела, седалка и кормило
След това изследователите обръщат мрежата в насипно състояние, за да видите какви резултати можем да намерим , Ще има грешки. Програмата може, например, се върнете на серия от изображения, включително мотоциклети и мотопеди. В тези случаи, програмистите могат да настроят кода за изясняване на компютъра, че велосипедите не включват двигатели и системи за отпадъчни газове. Тогава те стартирате програмата, отново и отново, фина настройка на софтуера, докато тя се връща задоволителни резултати.
<Р> Deep отбор The Dream осъзнах, че след като една мрежа може да идентифицира определени обекти, то тогава може да се пресъздаде тези обекти на своята собствен. Така мрежа, която знае велосипеди върху зрението след това може да възпроизвежда изображение на велосипедите без допълнително въвеждане. Идеята е, че мрежата е генериране на нови креативни изображения благодарение на способността си да класифицират и сортиране на изображения.
<Р> Интересното е, че дори и след пресяване чрез милиони велосипедни снимки, компютри все още правят критични грешки при генерирането на собствените си снимки на мотори , Те може да включват частични човешките ръце на кормилото или краката на педалите. Това се случва, защото толкова много от образите на изпитване, включват хора, също и компютъра в крайна сметка не може да се различи, където частите байк завършват и хората започват части.
<Р> Тези видове грешки се случват за много причини, и дори софтуерни инженери не разбират напълно всички аспекти на невронни мрежи, те изграждат. Но знаейки как невронните мрежи работят можете да започнете да се разбере как се случват тези недостатъци.
изкуствени неврони в мрежата работят в стекове. Deep мечта може да се използва само с 10 или най-много 30. Всеки слой взима по различни детайли от изображението. Първоначалните слоеве може да открият основите като границите и ръбовете в рамките на една картина. Друг може да се идентифицират специфични цветове и ориентация. Други слоеве могат да се търсят конкретни форми, които наподобяват предмети като стол или крушка. Окончателните с
