Время науки - The Times of Science

Время науки The Times of science 6 №1 Рис. 2. Искусственная нейронная сеть (нейросеть) Простая модель нейрона позволяет выполнять вычисления на GPU (графических процессорах), так как GPU могут выполнять много небольших простых вычислений одновременно. Это ускоряет процесс обучения в несколько раз, что является важным при работе с большим количеством данных или большой нейросетью. Для решения задачи необходимо выбрать определенный набор нейронов и правильно их соединить. Рабочие модели нейросетей насчитывают от сотен тысяч до десятков и сотен миллионов нейронов. Однако отдельные нейроны не используются в составлении нейросетей из- за сложности практических задач. Вместо этого используют специальные наборы с заранее известной структурой. Их называют слоями , а из них в свою очередь составляются сложные большие нейронные сети, пригодные для решения задач. Общий вид, или структура, нейросети со всеми слоями, функциями активации, регуляризации, входными и выходными нейронами называется архитектурой нейросети. В настоящее время в области алгоритмов машинного обучения лучше всего изучена область анализа изображений. В ней используются такие методы, как свёрточные нейросети (CNN), обработка отдельных цветовых каналов, масштабирование, преобразование изображений и т.д. Используя данные методы, можно достичь хороших результатов и во многих других областях. В области обработки аудиофайлов существует множество как классических задач: классификации, распознавания речи (speech to text), генерация речи (speech to text), так и более сложно устроенных прикладных, например, выделение определенного голоса из зашумлённой записи, генерация музыки с определенным стилем, идентификация пения птиц. Обычно входными данными являются аудиофайлы: это могут быть отдельные звуки, шумы различной длины, музыка, речь; реже – текст или видео.