Да. Но если перебирать все варианты, то упремся в их возможное количество, стремящееся к бесконечности. Чтобы этого не было ищут функцию чувствительности, т.е. Смотрят какие из данных выборки наиболее влияют на требуемый результат.
101, Вы нейросетями занимались?
Т.е. я пытаюсь понять, это Вы так на пальцах объясняете или?
Но если я правильно понял, то вы имеете в виду, что имеет место быть вариантная база и выбор решения путем перебора вариантов?
Примерно как у человека. Поэтому их и назвали "искусственные нейросети", хотя поведение нейронов, конечно, никто прям детально в этих задачах имитировать не пытается.
Только перебора, как такового нет. Определенные признаки "задачи" вызывают "активацию" определенных частей сети, каждый из них выдаёт некое решение, они усредняются.
Всё это происходит во много слоёв. Следующий слой видит "решение", найденное предыдущим (например, входные слои сети могут классифицировать задачу по виду "скорее всего, это случай вот такой с такой вероятностью, а может вот этот с вот этой вероятностью". Следующие слои уже не заняты тогда деталями, а заняты распознаванием более общих случаев.
Связи между слоями могут быть очень сложными [1]. Входные слои могут подавать информацию непосредственно выходным, которые учитывают как информацию от глубинных слоев (работающих с концепциями) так и от входных по типу "у нас коммунальная проблема" говорит внутренний слой, "видно стало плохо" говорит входной слой, "опять батарею прорвало" решает один из выходных слоев.
Извлечь "варианты" из недр обученной (и прекрасно работающей) нейросети -- это отдельная песня. И варианты будут совсем не человеческие. Проблемы она, скорее всего, будет классифицировать совершенно иначе, чем человек (и малопредсказуемо, как именно), т.к. о мире человеческих концепций ей знать не надо.
Это я продолжаю объяснения в стиле 101.
[1] архитектура сети inception от google (профессия: классификация и выделение объектов на изображениях):
Но есть пара особенностей - во первых, способность компилировать, второе это творческий прорыв. То есть, когда человек СОЗДАЕТ новое, иногда даже принципиально, решение. И в связи с этим у меня вопрос - эти самые сети делают то же самое?
Да, особенно это заметно в классе состязательных сетей -- когда несколько сетей пытаются оптимизировать собственную задачу (а системы Альфа относятся к этому классу).
Классический пример: одна сеть учится создавать фальшивые фотографии, вторая учится отличать фальшивки от реальных. Периодически создавательная часть находит слабое место в различительной части и радостно бросается этой слабостью пользоваться, забивая на качество получающихся фотографий.
Это одна из самых сложных задач в этой области: объяснить сети что от неё требуется. Поставленная Вами задача может иметь изящные и неожиданные для Вас решения. Только они не обязательно Вам понравятся.
См. в теме про скайнет
Что-то подобное на мой взгляд произошло и с шахматным движком АльфаЗеро.
можете как-то пояснить? они заскриптовали шахматы?
Эм... вообще-то нет. Суть нейросети, что она может сама обучаться и выбирать оптимальные развития. В шахматных движках за программу это делает человек.
Интервью с А. Карповом после матча Г. Каспарова, проигравшему матч компьютеру DeepBlue:
- что Вы думаете о Deep Blue?
- тесное, душное помещение.
Объясните, как в шахматных движках за программу это делает человек?
Сообщение отредактировал tickosen: 15 Ноябрь 2019 - 12:40