Rețele convoluționale grafice: Listă de aplicații pe care trebuie să le cunoașteți

Rețeaua convoluțională este un tip de rețea neuronală. Rețelele neuronale sunt un tip special de model de învățare profundă. De obicei, învățarea automată sau învățarea profundă cuprinde algoritmi riguroși și scumpi datorită sarcinii sale complicate. În mod similar, modelele de învățare profundă pe grafice sunt și mai complicate. Rețelele convoluționale grafice sunt utilizate în principal în scopul clasificării imaginilor. Aflați mai multe despre rețeaua neuronală convoluțională.

În ultimul deceniu, aplicarea științei datelor a crescut enorm. În această lume bogată în date, abordarea modelului de învățare a adus rezultate excelente și predicții precise. Graficele sunt utile pentru multe sisteme informatice.

De la interacțiunile proteinelor biologice la conectivitate la internet și WorldWideWeb, graficele reprezintă toate aceste sisteme. De asemenea, implementarea rețelelor neuronale prin structură grafică permite computerului să înțeleagă proprietățile unei imagini. Acest model este una dintre cele mai avansate aplicații ale graficului din lumea reală. Să discutăm în detaliu acești algoritmi:

Cum sunt construite rețelele neuronale

Rețelele neuronale sunt una dintre cele mai avansate tehnici de știință a datelor și de învățare profundă. Rețelele neuronale sunt utile în multe aplicații, de la predicția Bursei de Valori până la clasificarea imaginilor, recunoașterea vorbirii sau a caracterelor și chiar în analiza secvenței.

Primul concept al rețelei neuronale a venit din perspective biologice. Oamenii de știință au efectuat experimente în care nervii pentru vedere sunt conectați cu centrele auditive ale creierului. În cele din urmă, organismul a învățat să vadă și prin centrul auditiv al creierului. Chiar și alte experimente au demonstrat că fiecare centru al creierului ar putea efectua fiecare acțiune.

Abordările au început să mimeze creierul uman care informează algoritmii computerizati. Așadar, în mod similar, informaticienii au crezut și că ar trebui să existe un singur algoritm care să fie capabil să rezolve toate problemele de învățare ale creierului computerului. Așa a luat naștere rețeaua neuronală.

O rețea neuronală este formată din mai multe straturi de neuroni. Fiecare neuron este de obicei un nod grafic. Fiecare neuron al fiecărui strat este conectat cu toți neuronii stratului următor printr-o margine ponderată - greutățile marginii acționează ca un coeficient al calculului valorii stratului.

Prin retropropagare, coeficienții se modifică pentru a se potrivi modelului cu exemple de antrenament. În cele din urmă, un singur neuron din ultimul strat oferă rezultatul. În imaginea următoare, este explicată structura unei rețele neuronale.

Sursa imaginii

Citiți: Utilizarea rețelei neuronale convoluționale pentru clasificarea imaginilor

Graficul rețelelor convoluționale

Rețelele convoluționale sunt rețele neuronale tridimensionale. Cele mai multe utilizări practice ale rețelelor neuronale convoluționale includ clasificarea și recunoașterea imaginilor, procesarea limbajului natural și recunoașterea vorbirii. Aceste modele sunt de obicei mai complexe decât modelele obișnuite de rețele neuronale bidimensionale.

În această arhitectură, sunt asamblate straturi de neuroni diferiți. Parametrul dimensiunilor este variabil în diferite straturi pentru a face modelul să recunoască parametrii. De exemplu, imaginile sunt bidimensionale și, între timp, culoarea fiecărui punct joacă, de asemenea, un rol crucial. Prin urmare, apar trei parametri diferiți. Pentru a face față unor astfel de complexități, Conv Nets joacă un rol semnificativ.

Aceste multe matrice 3D de dimensiuni diferite funcționează la mai multe niveluri ale rețelei neuronale. În cele din urmă, dimensiunea „z” se potrivește cu parametrul de ieșire al rețelei. Transportul informațiilor de la un nivel la altul poate avea loc printr-o varietate de algoritmi diferiți.

De exemplu, FC (Fully Connected), Pooling și ReLU sunt câțiva algoritmi cruciali în acest sens.

În general, valorile nodurilor rețelei neuronale sunt notate cu, unde „l” înseamnă numărul stratului. Deci, un 0 este matricea de intrare.

a 0 =X

Pe de altă parte, ultimul nod de strat definește ieșirea. Să zicem, există straturi „L”. Prin urmare , un L desemnează ieșirea rețelei neuronale.

a L =Y

Sursa imaginii

Imaginea de mai sus ilustrează o rețea neuronală convoluțională în implementarea clasificării imaginilor. Parametrii sunt setați pentru un câine, pisică, liliac și pasăre.

Valoarea nodului unui anumit strat intern este calculată prin valorile straturilor anterioare.

a l+1 =f( a l ,θ)

Aici, este matricea de adiacență și, f este funcția definitorie. Fiecare strat de rețea convoluțional de grafic poate fi scris folosind această expresie. În acest fel, funcționează de obicei o rețea neuronală convoluțională grafică.

Aplicații ale rețelelor convoluționale grafice

• Rețelele convoluționale grafice generează predicții asupra sistemelor fizice, cum ar fi graficele, abordarea lor interactivă și aplicațiile. GCN oferă, de asemenea, informații precise despre proprietățile entităților din lumea reală și ale sistemelor fizice (dinamica coliziunii, traiectoriile obiectelor).
• GCN-urile sunt folosite pentru a efectua probleme de diferențiere a imaginii. Modelul pe care îl urmează este cunoscut sub numele de „Zero-Shot Learning”. Motivul principal al acestui model este identificarea unei imagini etichetate necunoscute și gruparea acesteia în imagini cunoscute. De asemenea, ei adună informații semantice ale acestor etichete și le clasifică.
• GCN-urile pot lua o anumită lungime de amprente moleculare ca intrare și pot genera structuri moleculare prezise. MolGAN este un fel de rețea Graph Convoluțională care ajută la crearea de noi structuri moleculare cu diferite caracteristici în ea. În acest fel, le permite oamenilor de știință să inventeze structuri moleculare moderne zi de zi.
• GCN este aplicabil pentru rezolvarea diferitelor probleme legate de operațiuni de cercetare și aplicații de optimizare combinatorie. Rețelele convoluționale grafice joacă un rol esențial în rezolvarea problemelor vânzătorilor, problemelor de atribuire pătratică și multe altele. Cu ajutorul graficului de intrare, poate depăși algoritmii complecși tradiționali.

Clubul de karate al lui Zachary

O altă aplicație semnificativă a Graph Convolutional Networks este rezolvarea problemelor de predicție ale comunității, cum ar fi Karate Club of Zachary. Această problemă are la bază disputa dintre administrator și instructorul clubului.

Trebuie să ne dăm seama ce parte ar alege fiecare membru al clubului de karate. Această problemă este rezolvată prin utilizarea tehnicilor de învățare semi-supravegheată. Folosind doar două noduri etichetate, Tobias Jepsen a reușit să rezolve problema și să atingă o precizie aproape perfectă în ceea ce privește prezicerea acestor două comunități.

Acum, să aruncăm o privire la următoarele imagini și veți putea obține câteva informații despre problema clubului de karate și calculele sale adecvate folosind Rețelele convoluționale Graph.

Sursa imaginii

Citește și: Idei de proiecte pentru rețele neuronale

Încheierea

Citind acest articol, veți putea înțelege ce sunt rețelele convoluționale Graph, cum sunt construite rețelele neuronale, o scurtă idee despre GCN și cum funcționează și diverse aspecte și aplicații cruciale ale GCN, inclusiv problema Zachary Karate Club.

Dacă doriți să aflați mai multe despre GCN și caracteristicile și beneficiile sale, înregistrați-vă la upGrad Education Pvt. Ltd. Și cursul de studii postuniversitare și de diplomă al IIITB privind învățarea automată și inteligența artificială . Acest curs despre Machine Learning și AI este conceput pentru studenți și profesioniști care lucrează.

Cursul oferă o colecție de studii de caz și sarcini, sesiuni de mentorat în industrie, statutul IIIT Bangalore Alumni, asistență pentru plasarea unui loc de muncă cu companii de top și, cel mai important, o experiență bogată de învățare.