中文 英语

机器如何学习?

神经网络如何进行缺陷分类和许多其他任务。

受欢迎程度

我们依赖或希望依赖机器,尤其是电脑,来做很多事情,从整理照片到停车。机器正变得越来越“机械”,而越来越“智能”。机器学习已经成为许多先进制造业人士熟悉的短语。人们可能会问的下一个问题是:机器是如何学习的?

识别不同的物体是一个明确的智力指标。特定于半导体,识别各种类型的缺陷并分类它们是最初由人类进行的重要任务。逐步地,使用运行不断发展的算法的计算机程序自动化此分类过程。如今,通过先进设施中的这些系统检测到大多数缺陷。

在机器学习被广泛使用之前,系统设置纯粹是人类完成的时期。通过观察和实验了解任务的情况后,工程师制定了规则并将其实施为用于运行的计算机的程序。在此实现方案中,机器不学习,它只是保留重复程序编程,根据嵌入规则做出决策。这是一种非常熟练的方法 - 要从人类分类器中提取规则,创建程序逻辑以实现这些规则,并验证结果。有时候这是非常困难的或不可能的,翻译人类经常下意识地进入计算机语言的决策过程。

机器学习

在机器开始真正“学习”之后,出现了两种用于分类的算法:无监督算法和监督算法。

  • 无监督的分类分析了数据的自然分布。数据是否形成了任何独特的集群?如果他们这样做,这些群集是什么?他们之间的关系是什么?一旦将无人监督的例程放在一起,它可以应用于它们的任何传入数据集。没有比参数调整的人为干预算法。
  • 对于监督分类,除了实现的算法之外,还需要标记数据。通过标记数据,程序显示每个预定义类的特征。一旦该程序就足够了解了课程,当一个新的样本进入时,它将能够将其放入正确的课程,而无需工程师按照行编程逻辑行。

类定义通常是一个非常主观的过程。很难期望通过无监督方法提取的每个群集的数据中的自然模式代表人类的课程。因此,在这两种类型的方法之间,监督分类是主要使用的分类。在这种“监督”方法的血清中,基于神经网络的算法无可争议地形成了一个超级星,其具有亮起的宽度的应用区域。

如何训练神经网络学习?

用于分类的大多数神经网络具有通过在输出端中观察到的误差来训练的多层前馈结构。在另一个单词中,这是一个迭代过程,其具有试验和错误元素,包括在每个迭代之间的调整,直到实现所需的结果。信号被馈送到输入并通过网络推动以获取输出。由于这是一个监督过程,所需的相应预期输出或“标签”,可用,并与实际输出进行比较。在培训过程开始时,输出和标签通常非常不同。这种差异或错误是“传播”从网络的输出层向后转移到输入层。沿途,调整对网络的参数,主要以“权重”的形式。理想地遵循这些调整,同样的信号再次通过网络并且输出的差异将更小。经过几种迭代处理运行,其中使用相同的标记样本培训网络,希望将最小化或消除输出处的误差。发生这种情况时,它意味着网络将在其右类中将传入的样本施入较少或没有错误,至少对于用于培训的池中的示例。 Assuming the training samples are representative of the general image population, a properly trained machine learning model will produce the right label or classification on samples from outside the training pool as well.

结论

作为摘要,机器通过高质量标记数据培训来学习,该数据体现了目标类的良好代表性。随后,确定机器学习系统的可访问性是如何轻松组织数据(例如,缺陷图像)以预处理它们来标记它们,以便将它们以良好的格式呈现给来自a的任何网络不同的色域,并使网络有效地培训并有效地使用。就像一个将所有珠宝连接到项链的字符串一样,自动缺陷分类旨在方便所有这些步骤,以便用户能够轻松地通过缺陷分类过程的整个长度。



发表评论


(注意:此名称将被公开显示)