"Pemilik Bilibili UP berjaya mencipta rangkaian neural berasaskan batu merah pertama di dunia, yang menyebabkan sensasi di media sosial dan dipuji oleh Yann LeCun."

Dalam Minecraft, batu merah ialah item yang sangat penting. Ia adalah bahan unik dalam permainan Suis, obor batu merah, dan blok batu merah boleh memberikan tenaga seperti elektrik kepada wayar atau objek.

Litar Redstone boleh digunakan untuk membina struktur untuk anda mengawal atau mengaktifkan jentera lain ia sendiri boleh direka bentuk untuk bertindak balas kepada pengaktifan manual oleh pemain atau boleh diulang berulang kali . Output memberi isyarat atau bertindak balas kepada perubahan bukan disebabkan oleh pemain, seperti pergerakan makhluk, jatuh item, pertumbuhan tumbuhan, perubahan siang dan malam, dsb.

Oleh itu, dalam dunia saya, redstone boleh mengawal pelbagai jenis jentera, daripada jentera ringkas seperti pintu automatik, suis lampu dan bekalan kuasa strob, kepada lif besar, ladang automatik, dll. Platform permainan mini dan juga komputer terbina dalam permainan.

Baru-baru ini, pemilik Bilibili UP @chenzhanaotou dan yang lain menyedari "kecerdasan buatan batu merah" sebenar dalam Minecraft Mereka menghabiskan enam bulan membina rangkaian Neural redstone tulen pertama di dunia, yang ditugaskan untuk mengenali 15×15 digit tulisan tangan.

Pengarang menyatakan bahawa mereka menggunakan kaedah pengiraan bukan tradisional - pengiraan rawak untuk melaksanakan rangkaian saraf Reka bentuk dan reka letak adalah lebih mudah daripada pengiraan ketepatan penuh tradisional, dan masa pengecaman teori tunggal hanya 5. minit.

Rangkaian neural redstone tulen ini menyelesaikan tugas pengecaman imej biasa dalam bidang pembelajaran mesin - pengecaman digit tulisan tangan, dan ketepatan mencapai 80% (dalam simulasi MNIST pada set data).

Dalam proses pelaksanaan, pelbagai elemen yang digunakan oleh pengarang termasuk yang berikut:

Satu neuron menerima Berbilang input dan menghasilkan satu output.

Tambahkan "pendarab" untuk melakukan pendaraban perpuluhan hanya menggunakan nombor rawak dan get logik tunggal.

Tatasusunan neuron mengeluarkan hasil pengecaman atau menghantarnya ke lapisan seterusnya.

Tahap keyakinan setiap nombor.

Lapisan konvolusi digunakan untuk mengekstrak ciri strok.

Lapisan pertama yang disambungkan sepenuhnya: mampatkan maklumat dan klasifikasikannya.

Susun atur fungsi pengaktifan: Petakan data secara tidak linear ke ruang ciri berdimensi tinggi.

Lapisan kedua dan ketiga yang disambungkan sepenuhnya: mengelaskan dan mengeluarkan hasil pengecaman selanjutnya.

Penulis menyatakan bahawa seni bina yang digunakan oleh rangkaian adalah dimampatkan LeNet-5, dengan ketepatan 80%.

Walau bagaimanapun, disebabkan oleh had kuasa pengkomputeran Minecraft, masa pengecaman sebenar melebihi 20 minit. Walau bagaimanapun, ini masih merupakan satu kejayaan besar dalam bidang elektronik digital redstone, dan juga boleh memberi inspirasi kepada rangkaian neural perkakasan kehidupan sebenar.

Pada masa ini, video itu telah dimainkan lebih daripada 800,000 kali, menduduki tempat tertinggi di No. 39 di Bilibili, yang memukau netizen dari semua lapisan masyarakat. Malah pemenang Anugerah Turing Yann LeCun menyiarkan semula video itu di Facebook, berkata, "Seorang yang sangat sabar dan gigih melaksanakan LeNet-5 di dunia saya menggunakan LeCun ialah pencadang seni bina LeNet .

【Minecraft】Rangkaian neural redstone tulen pertama di dunia! Kepintaran Buatan Redstone Sebenar (Bahasa Cina/Bahasa Inggeris) [Minecraft] Rangkaian Neural Konvolusi Redstone - Prinsip

Prinsip di sebalik

terdapat dalam video lain "[Minecraft] Redstone Convolution Dalam "Rangkaian Neural - Prinsip" , penulis menerangkan secara terperinci prinsip rangkaian neural convolutional redstone.

Secara amnya, mereka menggunakan rangkaian neural konvolusi LeNet-5 yang dimampatkan ialah langkah pertama pengiraan rangkaian.

​

Kemudian ciri strok ini dimasukkan ke dalam rangkaian neural dalam (lapisan bersambung sepenuhnya) untuk pengelasan dan pengecaman.

Melaksanakan Rangkaian Neural Redstone dalam Minecraft​

Pengarang mula-mula menyenaraikan peranti input, termasuk tablet tulis plat Tekanan nadi tunggal dan skrin koordinat 15×15. Pad tulisan tangan menjana isyarat koordinat sebanyak 2 kutu setiap kali, yang kemudiannya dilukis pada skrin.

Kemudian digit tulisan tangan masukan ke lapisan lilitan Kaedah pengiraan adalah untuk mengumpul bahagian tertutup kernel lilitan dan mengeluarkan hasilnya ke lapisan seterusnya. Selain itu, untuk memastikan tidak linear, output juga melalui fungsi ReLU.

Oleh kerana kernel lilitan hanya 3×3, pengarang terus menggunakan operasi model elektrik dan secara automatik melaksanakan ReLU pada hujung output .

Selain itu, kerana lilitan tidak boleh bergerak seperti dalam animasi, kaedah susun terus digunakan, dan kemudian disambungkan ke input pad tulisan tangan .

Pada lapisan bersambung sepenuhnya, setiap lapisan terdiri daripada beberapa rangkaian saraf. Setiap neuron menghubungkan berbilang input dan menghasilkan output. Neuron menimbang dan mengumpul setiap input dan kemudian memasukkannya ke dalam output fungsi pengaktifan. Perlu diingatkan bahawa penjumlahan berwajaran ialah "pembahagian linear", dan fungsi pengaktifan mestilah bukan linear untuk meningkatkan dimensi. Penulis menggunakan tanh (hyperbolic tangen) sebagai fungsi pengaktifan.

dicerminkan dalam litar neuron sebenar, seperti ditunjukkan dalam rajah di bawah.

Pada masa yang sama, berat disimpan dalam pelontar (digunakan untuk melaraskan nisbah item untuk menjana rentetan rawak frekuensi berbeza). didarab dengan berat dan melalui elektronik analog.

Pelaksanaan litar akhir

Mengenai pelaksanaan litar, penambahan dikira terlebih dahulu melalui isyarat elektrik analog, dan kemudian ditukar kepada isyarat elektrik digital.

Akumulator diubah suai daripada penambah saluran paip 2tick yang disediakan oleh pemilik Up lain supaya ia tidak melimpah.

Kemudian neuron disusun untuk membentuk lapisan yang bersambung sepenuhnya.

Output lapisan terakhir dan penimbal antara lapisan menggunakan pembilang analog berikut, yang boleh mengira bilangan "1 "s dalam rentetan 5Hz, kapasiti ialah 1024.

Akhir sekali pada lapisan output, 4 bit atas pembilang disambungkan ke papan pembilang, kemudian litar memilih nilai maksimum dan memaparkannya pada panel keluaran.

Pada penghujung video, pengarang menunjukkan struktur rangkaian terakhir, seperti yang ditunjukkan dalam rajah di bawah. Antaranya, julat berat ialah [-1, 1], panjang rentetan rawak ialah 1024, dan ketepatan pada set data MNIST ialah kira-kira 80%. Walau bagaimanapun, apabila panjang tali ialah 256, ketepatan hanya 62%.

​ ​

Atas ialah kandungan terperinci "Pemilik Bilibili UP berjaya mencipta rangkaian neural berasaskan batu merah pertama di dunia, yang menyebabkan sensasi di media sosial dan dipuji oleh Yann LeCun.". Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!