ما هو التعلم العميق؟ كل ما تحتاج إلى معرفته

ما هو التعلم العميق؟ كل ما تحتاج إلى معرفته

المعلومات الداخلية حول التعلم العميق Deep learning: من كيفية ارتباطه بالمجال الأوسع للتعلم الآلي وصولاً إلى كيفية البدء به.

ما هو التعلم العميق Deep learning؟

التعلم العميق هو مجموعة فرعية من التعلم الآلي ، والذي يقع في حد ذاته في مجال الذكاء الاصطناعي.

ما الفرق بين التعلم العميق والتعلم الآلي والذكاء الاصطناعي؟

الذكاء الاصطناعي هو دراسة كيفية بناء آلات قادرة على تنفيذ المهام التي تتطلب عادةً ذكاءً بشريًا.

يعني هذا التعريف الفضفاض أن الذكاء الاصطناعي يشمل العديد من مجالات البحث ، من الخوارزميات الجينية إلى الأنظمة الخبيرة ، ويوفر مجالًا للحجج حول ما يشكل الذكاء الاصطناعي.

في مجال أبحاث الذكاء الاصطناعي ، حقق التعلم الآلي نجاحًا ملحوظًا في السنوات الأخيرة - مما سمح لأجهزة الكمبيوتر بتجاوز أو الاقتراب من مطابقة الأداء البشري في مجالات تتراوح من التعرف على الوجه إلى التعرف على الكلام واللغة.

التعلم الآلي هو عملية تعليم الكمبيوتر لتنفيذ مهمة ما ، بدلاً من برمجة كيفية تنفيذ هذه المهمة خطوة بخطوة.

في نهاية التدريب ، سيكون نظام التعلم الآلي قادرًا على إجراء تنبؤات دقيقة عند إعطاء البيانات.

قد يبدو هذا جافًا ، لكن هذه التنبؤات يمكن أن تجيب عما إذا كانت قطعة فاكهة في صورة موزة أم تفاحة ، إذا كان شخص يعبر أمام سيارة ذاتية القيادة ، سواء كان استخدام كلمة كتاب في جملة يتعلق بغلاف ورقي أو حجز فندق ، سواء كانت رسالة بريد إلكتروني غير مرغوب فيها ، أو التعرف على الكلام بدقة كافية لإنشاء تسميات توضيحية لمقطع فيديو على YouTube.

يتم تقسيم التعلم الآلي عادةً إلى التعلم الخاضع للإشراف ، حيث يتعلم الكمبيوتر عن طريق المثال من البيانات المصنفة ، والتعلم غير الخاضع للإشراف ، حيث يقوم الكمبيوتر بتجميع البيانات المتشابهة وتحديد الحالات الشاذة.

التعلم العميق هو مجموعة فرعية من التعلم الآلي ، والتي تختلف قدراتها في عدة جوانب رئيسية عن التعلم الآلي الضحل التقليدي ، مما يسمح لأجهزة الكمبيوتر بحل مجموعة من المشكلات المعقدة التي لا يمكن معالجتها بطريقة أخرى.

قد يتنبأ مثال على مهمة بسيطة للتعلم الآلي الضحلة بكيفية اختلاف مبيعات الآيس كريم بناءً على درجة الحرارة الخارجية. يعد إجراء التنبؤات باستخدام ميزتي بيانات فقط بهذه الطريقة أمرًا بسيطًا نسبيًا ، ويمكن تنفيذه باستخدام تقنية تعلم آلي ضحلة تسمى الانحدار الخطي مع النسب المتدرج.

المشكلة هي أن مجموعة كبيرة من المشاكل في العالم الحقيقي ليست مناسبة لمثل هذه النماذج البسيطة. مثال على إحدى مشكلات العالم الحقيقي المعقدة هو التعرف على الأرقام المكتوبة بخط اليد.

لحل هذه المشكلة ، يجب أن يكون الكمبيوتر قادرًا على التعامل مع التنوع الكبير في كيفية تقديم البيانات. يمكن كتابة كل رقم بين 0 و 9 بطرق لا تعد ولا تحصى: يمكن أن يكون الحجم والشكل الدقيق لكل رقم مكتوب بخط اليد مختلفًا تمامًا اعتمادًا على الشخص الذي يكتب وفي أي ظرف.

إن التعامل مع تنوع هذه الميزات ، والفوضى الأكبر للتفاعلات بينها ، هو المكان الذي يصبح فيه التعلم العميق والشبكات العصبية العميقة مفيدًا.

الشبكات العصبية هي نماذج رياضية مستوحاة بشكل فضفاض من بنية الدماغ.

كل خلية عصبية داخل شبكة عصبية هي وظيفة رياضية تأخذ البيانات عبر المدخلات ، وتحول تلك البيانات إلى شكل أكثر قابلية للتكيف ، ثم يبصقها عبر الإخراج. يمكنك التفكير في الخلايا العصبية في الشبكة العصبية على أنها مرتبة في طبقات ، كما هو موضح أدناه.

تحتوي جميع الشبكات العصبية على طبقة إدخال ، حيث يتم تغذية البيانات الأولية ، وطبقة إخراج ، والتي تولد التنبؤ النهائي. ولكن في شبكة عصبية عميقة ، ستكون هناك "طبقات مخفية" متعددة من الخلايا العصبية بين طبقات الإدخال والإخراج ، كل منها يغذي البيانات في بعضها البعض. ومن هنا مصطلح "عميق" في "التعلم العميق" و "الشبكات العصبية العميقة" ، فهو إشارة إلى العدد الكبير من الطبقات المخفية - عادة أكبر من ثلاث - في قلب هذه الشبكات العصبية.

ما هو الذكاء العام الاصطناعي؟

كل ما تحتاج لمعرفته حول الطريق إلى إنشاء ذكاء اصطناعي ذكي مثل الإنسان.

ترتبط كل خلية عصبية بكل خلية عصبية في الطبقة التالية ، مما يمثل حقيقة أن كل خلية عصبية تُخرج قيمة في كل خلية عصبية في الطبقة اللاحقة. يختلف لون الروابط في الرسم التخطيطي أيضًا. تمثل الألوان المختلفة ، الأسود والأحمر ، أهمية الروابط بين الخلايا العصبية. الروابط الحمراء هي تلك التي لها أهمية أكبر ، مما يعني أنها ستضخم القيمة أثناء مرورها بين الطبقات. في المقابل ، يمكن أن يساعد تضخيم القيمة هذا في تنشيط الخلايا العصبية التي يتم إدخال القيمة فيها.

يمكن القول إن الخلية العصبية قد تم تنشيطها عندما يتجاوز مجموع القيم التي يتم إدخالها في هذه الخلايا العصبية عتبة محددة.

تكون الخلايا العصبية المنشطة مظللة باللون الأحمر. ما يعنيه هذا التنشيط يختلف باختلاف الطبقة.

من المحتمل أن تحتوي الشبكة العصبية الفعلية على طبقات مخفية ومزيد من الخلايا العصبية في كل طبقة.

ولكن كيف تسمح هذه الطبقات المخفية المتعددة للكمبيوتر بتحديد طبيعة الرقم المكتوب بخط اليد؟ توفر هذه الطبقات المتعددة من الخلايا العصبية في الأساس طريقة للشبكة العصبية لبناء تسلسل هرمي تقريبي من الميزات المختلفة التي تشكل الرقم المكتوب بخط اليد.

يمكن للشبكات العصبية الحديثة تحديد - بمستوى عالٍ من الدقة - الرقم الذي يتوافق مع رقم مكتوب بخط اليد. بصورة مماثلة،

يتم تعلم عملية بناء هذا التسلسل الهرمي المعقد بشكل متزايد لميزات الرقم المكتوب بخط اليد من لا شيء سوى البكسل بواسطة الشبكة. أصبحت عملية التعلم ممكنة من خلال قدرة الشبكة على تغيير أهمية الروابط بين الخلايا العصبية في كل طبقة. يحتوي كل رابط على قيمة مرفقة تسمى الوزن ، والتي ستعمل على تعديل القيمة التي تبثها خلية عصبية أثناء مرورها من طبقة إلى أخرى. من خلال تغيير قيمة هذه الأوزان ، وقيمة مرتبطة بها تسمى التحيز ، من الممكن التأكيد أو التقليل من أهمية الروابط بين الخلايا العصبية في الشبكة.

يتعلم النموذج الروابط بين الخلايا العصبية المهمة في عمل تنبؤات ناجحة أثناء التدريب. في كل خطوة أثناء التدريب ، ستستخدم الشبكة وظيفة رياضية لتحديد مدى دقة مقارنة أحدث تنبؤاتها بما كان متوقعًا. تولد هذه الوظيفة سلسلة من قيم الخطأ ، والتي بدورها يمكن أن يستخدمها النظام لحساب كيفية تحديث النموذج لقيمة الأوزان المرتبطة بكل رابط ، بهدف نهائي هو تحسين دقة تنبؤات الشبكة. يتم حساب المدى الذي يجب تغيير هذه القيم من خلال وظيفة التحسين ، مثل نزول التدرج ، ويتم دفع هذه التغييرات للخلف عبر الشبكة في نهاية كل دورة تدريبية في خطوة تسمى الانتشار الخلفي.

على مدار العديد من الدورات التدريبية ، وبمساعدة ضبط المعلمة اليدوي العرضي ، ستستمر الشبكة في إنشاء تنبؤات أفضل وأفضل حتى تصل إلى ما يقرب من ذروة الدقة. في هذه المرحلة ، على سبيل المثال ، عندما يمكن التعرف على الأرقام المكتوبة بخط اليد بدقة تزيد عن 95 في المائة ، يمكن القول إن نموذج التعلم العميق قد تم تدريبه.

يسمح التعلم العميق أساسًا للتعلم الآلي بمعالجة مجموعة كاملة من المشكلات المعقدة الجديدة - مثل التعرف على الصور واللغة والكلام - من خلال السماح للآلات بمعرفة كيفية دمج الميزات الموجودة في البيانات في أشكال مجردة ذات مستوى أعلى بشكل متزايد. على سبيل المثال في التعرف على الوجه ، كيف تنشئ وحدات البكسل في صورة خطوطًا وأشكالًا ، وكيف تنشئ هذه الخطوط والأشكال ميزات للوجه وكيف يتم ترتيب ميزات الوجه هذه في الوجه.

لماذا يسمى التعلم العميق؟

كما ذكرنا ، يشير العمق إلى عدد الطبقات المخفية ، عادة أكثر من ثلاث طبقات ، المستخدمة داخل الشبكات العصبية العميقة.

كيف يتم استخدام التعلم العميق؟

للعديد من المهام ، للتعرف على الصور والكلام واللغة وتوليدها ، بالإضافة إلى التعلم المعزز لمطابقة الأداء على مستوى الإنسان في الألعاب بدءًا من الألعاب القديمة ، مثل Go ، إلى الحديثة ، مثل Dota 2 و Quake III.

أنظمة التعلم العميق هي أساس الخدمات الحديثة عبر الإنترنت. تستخدم Amazon مثل هذه الأنظمة لفهم ما تقوله - كل من كلامك واللغة التي تستخدمها - إلى المساعد الافتراضي Alexa أو بواسطة Google لترجمة النص عند زيارة موقع ويب بلغة أجنبية.

يستخدم كل بحث في Google أنظمة متعددة للتعلم الآلي ، لفهم اللغة في استعلامك وصولاً إلى تخصيص نتائجك ، لذلك لا يغرق عشاق الصيد الذين يبحثون عن "الجهير" بالنتائج المتعلقة بالقيثارات.

ولكن بعيدًا عن هذه المظاهر الواضحة جدًا للتعلم الآلي والعميق ، بدأت هذه الأنظمة في العثور على فائدة في كل صناعة تقريبًا. وتشمل هذه الاستخدامات: الرؤية الحاسوبية للسيارات ذاتية القيادة والطائرات بدون طيار وروبوتات التوصيل.

التعرف على الكلام واللغة والتوليف لروبوتات المحادثة وروبوتات الخدمة ؛ التعرف على الوجه للمراقبة في دول مثل الصين ؛ مساعدة أخصائيي الأشعة على اكتشاف الأورام في الأشعة السينية ، ومساعدة الباحثين في اكتشاف التسلسلات الجينية المتعلقة بالأمراض وتحديد الجزيئات التي يمكن أن تؤدي إلى عقاقير أكثر فعالية في الرعاية الصحية ؛ السماح بالصيانة التنبؤية للبنية التحتية من خلال تحليل بيانات مستشعر إنترنت الأشياء ؛ دعم رؤية الكمبيوتر التي تجعل سوبر ماركت Amazon Go الذي لا يعمل بنظام الكاشير ممكنًا ،

متى يجب استخدام التعلم العميق؟

عندما تكون بياناتك غير منظمة إلى حد كبير ولديك الكثير منها.

يمكن لخوارزميات التعلم العميق أن تأخذ بيانات فوضوية وغير مسماة على نطاق واسع - مثل الفيديو والصور والتسجيلات الصوتية والنص - وتفرض ترتيبًا كافيًا على تلك البيانات لعمل تنبؤات مفيدة ، وبناء تسلسل هرمي من الميزات التي تشكل كلبًا أو قطة في صورة أو أصوات تشكل كلمة في الكلام.

ما نوع المشاكل التي يحلها التعلم العميق؟

كما ذكرنا ، تتفوق الشبكات العصبية العميقة في إجراء تنبؤات تستند إلى بيانات غير منظمة إلى حد كبير. هذا يعني أنهم يقدمون أفضل أداء في الفصل في مجالات مثل التعرف على الكلام والصورة ، حيث يعملون مع البيانات الفوضوية مثل الكلام المسجل والصور.

هل يجب عليك استخدام التعلم العميق دائمًا بدلاً من التعلم الآلي الضحل؟

لا ، لأن التعلم العميق يمكن أن يكون مكلفًا للغاية من وجهة نظر حسابية.

بالنسبة للمهام غير التافهة ، غالبًا ما يتطلب تدريب شبكة عصبية عميقة معالجة كميات كبيرة من البيانات باستخدام مجموعات من وحدات معالجة الرسومات المتطورة لساعات عديدة.

نظرًا لأن وحدات معالجة الرسومات الأعلى من نوعها يمكن أن تكلف آلاف الدولارات للشراء ، أو ما يصل إلى 5 دولارات في الساعة للاستئجار في السحابة ، فمن غير الحكمة القفز مباشرة إلى التعلم العميق.

إذا كان من الممكن حل المشكلة باستخدام خوارزمية أبسط للتعلم الآلي مثل الاستدلال البايزي أو الانحدار الخطي ، وهي خوارزمية لا تتطلب من النظام أن يتعامل مع مجموعة معقدة من الميزات الهرمية في البيانات ، فإن هذه الخيارات الحسابية الأقل تطلبًا سوف كن الخيار الأفضل.

قد لا يكون التعلم العميق أيضًا هو الخيار الأفضل للتنبؤ بناءً على البيانات. على سبيل المثال ، إذا كانت مجموعة البيانات صغيرة ، فقد تؤدي أحيانًا نماذج التعلم الآلي الخطية البسيطة إلى نتائج أكثر دقة - على الرغم من أن بعض المتخصصين في التعلم الآلي يجادلون بأن الشبكة العصبية للتعلم العميق المدربة بشكل صحيح لا يزال بإمكانها الأداء بشكل جيد مع كميات صغيرة من البيانات.

ما هي عيوب التعلم العميق؟

تتمثل إحدى العوائق الكبيرة في كمية البيانات التي يحتاجون إليها للتدريب ، حيث أعلنت شركة فيسبوك مؤخرًا أنها استخدمت مليار صورة لتحقيق أداء محطم للأرقام القياسية من خلال نظام التعرف على الصور. عندما تكون مجموعات البيانات كبيرة بهذا الحجم ، تتطلب أنظمة التدريب أيضًا الوصول إلى كميات هائلة من قوة الحوسبة الموزعة. هذه مسألة أخرى من التعلم العميق ، تكلفة التدريب. نظرًا لحجم مجموعات البيانات وعدد دورات التدريب التي يجب تشغيلها ، غالبًا ما يتطلب التدريب الوصول إلى أجهزة كمبيوتر عالية الطاقة ومكلفة ، وعادةً ما تكون وحدات معالجة الرسومات (GPU) المتطورة أو صفيفات وحدة معالجة الرسومات (GPU). سواء كنت تقوم ببناء نظامك الخاص أو استئجار جهاز من منصة سحابية ، فمن غير المرجح أن يكون أي من الخيارين رخيصًا.

يصعب تدريب الشبكات العصبية العميقة أيضًا ، بسبب ما يسمى بمشكلة التدرج المتلاشي ، والتي يمكن أن تزيد من سوء الطبقات الموجودة في الشبكة العصبية. كلما تمت إضافة المزيد من الطبقات ، يمكن أن تؤدي مشكلة التدرج المتلاشي إلى استغراق وقت طويل غير مجدي لتدريب الشبكة العصبية على مستوى جيد من الدقة ، حيث يكون التحسن بين كل دورة تدريبية دقيقًا جدًا. لا تؤثر المشكلة على كل شبكة عصبية متعددة الطبقات ، بل تؤثر على تلك التي تستخدم أساليب التعلم القائمة على التدرج اللوني . ومع ذلك ، يمكن معالجة هذه المشكلة بطرق مختلفة ، عن طريق اختيار وظيفة تنشيط مناسبة أو عن طريق تدريب نظام باستخدام وحدة معالجة الرسومات شديدة التحمل.

لماذا يصعب تدريب الشبكات العصبية العميقة؟

كما ذكرنا ، يصعب تدريب الشبكات العصبية العميقة بسبب عدد الطبقات في الشبكة العصبية. عدد الطبقات والروابط بين الخلايا العصبية في الشبكة يجعل من الصعب حساب التعديلات التي يجب إجراؤها في كل خطوة في عملية التدريب - وهي مشكلة يشار إليها باسم مشكلة التدرج المتلاشي.

هناك مشكلة كبيرة أخرى وهي الكميات الهائلة من البيانات الضرورية لتدريب الشبكات العصبية للتعلم العميق ، حيث غالبًا ما تقيس مجموعات التدريب حجم البيتابايت.

ما هي تقنيات التعلم العميق الموجودة؟

هناك أنواع مختلفة من الشبكات العصبية العميقة ، مع هياكل مناسبة لأنواع مختلفة من المهام. على سبيل المثال ، تُستخدم الشبكات العصبية التلافيفية (CNNs) عادةً لمهام رؤية الكمبيوتر ، بينما تُستخدم الشبكات العصبية المتكررة (RNNs) بشكل شائع لمعالجة اللغة. لكل منها تخصصاته الخاصة ، في شبكات CNN ، تكون الطبقات الأولية متخصصة لاستخراج ميزات مميزة من الصورة ، والتي يتم إدخالها بعد ذلك في شبكة عصبية أكثر تقليدية للسماح بتصنيف الصورة. وفي الوقت نفسه ، تختلف شبكات RNN عن الشبكة العصبية التقليدية للتغذية الأمامية من حيث أنها لا تقوم فقط بتغذية البيانات من طبقة عصبية إلى أخرى ، ولكنها تحتوي أيضًا على حلقات تغذية مرتدة مضمنة ، حيث يتم تمرير إخراج البيانات من طبقة واحدة إلى الطبقة السابقة. ذلك - إقراض الشبكة شكلاً من أشكال الذاكرة.

الذكاء الاصطناعي

ما هو الذكاء الاصطناعي؟ كل ما تحتاج لمعرفته حول الذكاء الاصطناعي

هذا ذكاء اصطناعي ، ما هي طوارئك؟

سوف يسلب الذكاء الاصطناعي الكثير من الوظائف. ونحن لسنا مستعدين في أي مكان لاستبدالها

إن أكثر أنواع الشبكات العصبية الأساسية هو شبكة الإدراك الحسي متعدد الطبقات ، وهو النوع الذي تمت مناقشته أعلاه في مثال الأرقام المكتوبة بخط اليد ، حيث يتم تغذية البيانات إلى الأمام بين طبقات الخلايا العصبية. عادةً ما تقوم كل خلية عصبية بتحويل القيم التي يتم تغذيتها باستخدام وظيفة التنشيط ، والتي تغير هذه القيم إلى شكل ، في نهاية دورة التدريب ، سيسمح للشبكة بحساب مدى بعدها عن إجراء تنبؤ دقيق.

هناك عدد كبير من الأنواع المختلفة للشبكات العصبية العميقة . لا توجد شبكة أفضل بطبيعتها من الأخرى ، فهي أكثر ملاءمة لتعلم أنواع معينة من المهام.

في الآونة الأخيرة ، تعمل شبكات الخصومة التوليدية (GANS) على توسيع ما هو ممكن باستخدام الشبكات العصبية. في هذه البنية ، تتصارع شبكتان عصبيتان ، تحاول شبكة المولدات إنشاء بيانات "وهمية" مقنعة ويحاول أداة التمييز التمييز بين البيانات المزيفة والحقيقية. مع كل دورة تدريبية ، يتحسن المولد في إنتاج بيانات مزيفة ويكتسب أداة التمييز عينًا أكثر وضوحًا لاكتشاف تلك المنتجات المزيفة. من خلال تأليب الشبكتين ضد بعضهما البعض أثناء التدريب ، يمكن لكليهما تحقيق أداء أفضل. تم استخدام شبكات GAN لتنفيذ بعض المهام الرائعة ، مثل تحويل مقاطع فيديو dashcam من النهار إلى الليل أو من الشتاء إلى الصيف، كما هو موضح في الفيديو أدناه ، ولها تطبيقات تتراوح بين تحويل الصور منخفضة الدقة إلى بدائل عالية الدقة وإنشاء صور من نص مكتوب. ومع ذلك ، فإن لشبكات GAN قيودها الخاصة ، والتي يمكن أن تجعلها صعبة للعمل معها ، على الرغم من أنه يتم التعامل معها من خلال تطوير متغيرات GAN أكثر قوة.

أين يمكنك معرفة المزيد عن التعلم العميق؟

لا يوجد نقص في الدورات التدريبية التي تغطي التعلم العميق.

إذا كنت مهتما في تلك ضعت معا من قبل شخصيات بارزة في هذا المجال، هل يمكن أن تحقق من هذه العروض كورسيرا، واحدة من قبل جيف هينتون على الشبكات العصبية و شارك في خلق آخر من قبل أندرو نغ التي توفر لمحة عامة عن الموضوع، بينما هذا تم إنشاء دورة Udacity التدريبية بالاشتراك مع Sebastian Thrun ، من شركة Google الشهيرة للسيارات ذاتية القيادة ، وتوفر إمكانية الوصول إلى خبراء من OpenAI و Google Brain و DeepMind.

وهناك أيضا مجموعة كبيرة من الدروس المجانية المتاحة على شبكة الإنترنت، العديد من المؤسسات التعليمية العليا، مثل هذه الفئات على معالجة اللغة الطبيعية و الشبكات العصبية التلافيف من جامعة ستانفورد.

إذا كنت تلاحق نظرة عامة أكثر تفصيلاً على التعلم العميق ، فإن Neural Networks and Deep Learning هو كتاب مجاني ممتاز عبر الإنترنت. بينما إذا كنت مرتاحًا للرياضيات في المدارس الثانوية ولغة برمجة Python ، فإن مشروع Colab من Google يقدم مقدمة تفاعلية للتعلم الآلي.

كم يكلف الاستثمار في التعلم العميق؟

يعتمد ذلك على نهجك ، ولكنه سيكلفك عادةً مئات الدولارات لأعلى ، اعتمادًا على مدى تعقيد مهمة التعلم الآلي والطريقة التي اخترتها.

ما هي الأجهزة التي تحتاجها للتعلم الآلي؟

الخيار الأول هو ما إذا كنت تريد استئجار جهاز في السحابة أو إنشاء جهاز التعلم العميق الخاص بك. الإجابة على هذا السؤال ترجع إلى المدة التي تتوقعها لتدريب نموذج التعلم العميق الخاص بك. ستدفع أكثر بمرور الوقت إذا التزمت بالخدمات السحابية ، لذلك إذا كنت تتوقع أن تستغرق عملية التدريب أكثر من شهرين من الاستخدام المكثف ، فمن المحتمل أن يكون شراء / بناء جهازك الخاص للتدريب من الحكمة.

إذا كانت السحابة تبدو مناسبة ، فيمكنك استئجار بنية أساسية للحوسبة مصممة للتعلم العميق من مزودي الخدمات السحابية الرئيسيين ، بما في ذلك AWS و Google Cloud و Microsoft Azure . يقدم كل منها أيضًا أنظمة آلية تعمل على تبسيط عملية تدريب نموذج التعلم الآلي مع عروض مثل أدوات السحب والإفلات ، بما في ذلك Microsoft Machine Learning Studio و Google Cloud AutoML و AWS SageMaker .

ومع ذلك ، فإن بناء جهازك الخاص لن يكون رخيصًا . ستحتاج إلى الاستثمار في وحدة معالجة رسومات جيدة لتدريب أي شيء أكثر من مجرد شبكات عصبية بسيطة جدًا ، حيث يمكن لوحدات معالجة الرسومات تنفيذ عدد كبير جدًا من مضاعفات المصفوفة بشكل متوازٍ ، مما يساعد على تسريع خطوة حاسمة أثناء التدريب.

إذا كنت لا تخطط لتدريب شبكة عصبية بعدد كبير من الطبقات ، فيمكنك اختيار بطاقات من فئة المستهلك ، مثل Nvidia GeForce GTX 1060 ، والتي تباع عادةً بحوالي 270 جنيهًا إسترلينيًا ، بينما لا تزال تقدم 1،280 نواة CUDA .

ومع ذلك ، سيتطلب المزيد من التدريب الشاق معدات متخصصة. واحدة من أقوى وحدات معالجة الرسومات للتعلم الآلي هي Nvidia Tesla V100 ، والتي تحتوي على 640 نواة Tensor مخصصة للذكاء الاصطناعي و 5120 نواة HPC CUDA عامة. هذه تكلف أكثر بكثير من بطاقات المستهلك ، حيث تبدأ أسعار إصدار PCI Express من 7500 جنيه إسترليني.

يمكن أن يكلف إنشاء محطات عمل وخوادم خاصة بالذكاء الاصطناعي أكثر من ذلك ، على سبيل المثال ، يُباع DGX1 الذي يركز على التعلم العميق مقابل 149000 دولار.

بالإضافة إلى محول PCIe ، يتوفر Tesla V100 كوحدة SXM للتوصيل بحافلة NVLink عالية السرعة من Nvidia.

كم من الوقت يستغرق تدريب نموذج التعلم العميق؟

يختلف الوقت الذي يستغرقه تدريب نموذج التعلم العميق بشكل كبير ، من ساعات إلى أسابيع أو أكثر ، ويعتمد على عوامل مثل الأجهزة المتاحة ، والتحسين ، وعدد الطبقات في الشبكة العصبية ، وبنية الشبكة ، وحجم مجموعة البيانات والمزيد.

ما هي أطر برامج التعلم العميق المتوفرة؟

هناك مجموعة واسعة من أطر برامج التعلم العميق ، والتي تسمح للمستخدمين بتصميم الشبكات العصبية العميقة وتدريبها والتحقق من صحتها ، باستخدام مجموعة من لغات البرمجة المختلفة.

من الخيارات الشائعة مكتبة برامج TensorFlow من Google ، والتي تتيح للمستخدمين الكتابة بلغة Python و Java و C ++ و Swift ، ويمكن استخدامها في مجموعة واسعة من مهام التعلم العميق مثل التعرف على الصور والكلام ، والتي يتم تنفيذها على نطاق واسع مجموعة من وحدات المعالجة المركزية ووحدات معالجة الرسومات والمعالجات الأخرى. إنه موثق جيدًا ، ويحتوي على العديد من البرامج التعليمية والنماذج المنفذة المتاحة .

خيار شائع آخر ، خاصة للمبتدئين ، هو PyTorch ، وهو إطار عمل يقدم نموذج البرمجة الضروري المألوف للمطورين ويسمح للمطورين باستخدام عبارات Python القياسية. إنه يعمل مع شبكات عصبية عميقة تتراوح من CNNs إلى RNNs ويعمل بكفاءة على وحدات معالجة الرسومات.

من بين مجموعة واسعة من الخيارات الأخرى مجموعة أدوات Microsoft المعرفية و MATLAB و MXNet و Chainer و Keras .

هل ستؤدي الشبكات العصبية والتعلم العميق إلى الذكاء الاصطناعي العام؟

في الوقت الحاضر ، يتم استخدام التعلم العميق لبناء ذكاء اصطناعي ضيق ، وهو ذكاء اصطناعي يؤدي مهمة معينة ، سواء كان ذلك عن طريق التعليق على الصور أو نسخ الكلام.

لا يوجد نظام حتى الآن يمكن اعتباره ذكاء اصطناعيًا عامًا ، قادرًا على التعامل مع نفس نطاق المهام وبنفس الفهم الواسع للإنسان. متى يتم تطوير مثل هذه الأنظمة غير معروف ، مع تنبؤات تتراوح بين عقود وما فوق.

معلومات تقنيه

القائمة الرئيسية

الصفحات