เหตุใดโครงข่ายประสาทจึงชนะคุณลักษณะที่สร้างด้วยมือ

คุณลักษณะ คือเบาะแสที่วัดได้ซึ่งคุณป้อนให้โมเดล เช่น จำนวนห้องในบ้านหรือความสว่างของพิกเซล

เป็นเวลาหลายทศวรรษที่ผู้เชี่ยวชาญใช้เวลาหลายสัปดาห์ในการ สร้างคุณลักษณะด้วยมือ โดยตัดสินใจว่าโมเดลควรสนใจขอบ อัตราส่วน หรือจำนวนคำแบบใด

การสร้างคุณลักษณะด้วยมือใช้เวลานานและเปราะบาง คุณลักษณะ ที่ดีที่สุดสำหรับภาพแมวอาจใช้ไม่ได้กับภาพเอกซเรย์ ดังนั้นทุกงานใหม่จึงต้องเริ่มต้นใหม่ทั้งหมด

เครือข่ายประสาทเทียมเปลี่ยนแนวทางด้วย การเรียนรู้การแทนค่า โดยเครือข่ายจะค้นหาคุณลักษณะที่มีประโยชน์ของตนเองโดยตรงจากข้อมูลดิบ

ชั้นช่วงแรกจะตรวจจับองค์ประกอบเล็ก ๆ เช่น ขอบ ชั้นที่ลึกขึ้นจะนำองค์ประกอบเหล่านั้นมารวมเป็นรูปร่าง แล้วจึงเป็นวัตถุ ความซับซ้อนจะเพิ่มขึ้นเมื่อข้อมูลไหลผ่านเครือข่าย

ในโมเดลรู้จำใบหน้า ชั้นหนึ่งจะค้นหาขอบ ชั้นถัดไปค้นหาดวงตาและจมูก และชั้นถัดมาจะรู้จำ ใบหน้าทั้งหมด ไม่มีใครเขียนขั้นตอนเหล่านี้ไว้ล่วงหน้า

คุณลักษณะเหล่านี้ถูก เรียนรู้ระหว่างการฝึก โดยข้อมูลเป็นผู้ปรับแต่ง ไม่ใช่คุณเป็นผู้ออกแบบ เครือข่ายจะตัดสินใจเองว่าสิ่งใดสำคัญที่สุด

นี่คือข้อได้เปรียบสำคัญ: คุณสามารถป้อนพิกเซลดิบ เสียง หรือข้อความ ดิบเข้าไป แล้วปล่อยให้เครือข่ายค้นหาการแทนค่าด้วยตัวเอง ช่วยข้ามงานที่ต้องทำด้วยมือหลายเดือนได้

สำหรับข้อมูลที่หลากหลายและยุ่งเหยิง เช่น รูปภาพและเสียงพูด คุณลักษณะที่เรียนรู้มักทำได้ดีกว่าคุณลักษณะที่สร้างด้วยมือ นี่จึงเป็นเหตุผลที่เครือข่ายประสาทเทียม ครองความได้เปรียบในงานเหล่านี้ทุกวันนี้

แต่ละชั้นเป็นเพียงขั้นตอนทางคณิตศาสตร์เล็ก ๆ ใน PyTorch ตัวดึงคุณลักษณะที่เรียนรู้ได้อาจเริ่มต้นด้วยชั้น เชิงเส้นหนึ่งชั้นดังนี้

คุณลักษณะที่เรียนรู้ต้องใช้ ข้อมูลและการคำนวณมากขึ้น เมื่อมีตัวอย่างน้อย แนวทางที่สร้างคุณลักษณะด้วยมืออาจยังเป็นตัวเลือกที่ฉลาดและประหยัดกว่า

คุณได้เห็นการเปลี่ยนจากคุณลักษณะที่ สร้างด้วยมือมาเป็นการเรียนรู้การแทนค่าแล้ว ชั้นต่าง ๆ สร้างต่อจากขอบจนกลายเป็นวัตถุได้ด้วยตัวเอง นี่จึงเป็นเหตุผลที่เครือข่ายทำได้ดีมากกับข้อมูลที่หลากหลาย 🚀