AI That Creates AI

안녕하세요! 너와 함께 시라 AI는 실제로 다른 AI를 만들 수 있습니까? 물론 가능합니다! 신경 진화는 기술이다

신경 네트워크를 최적화합니다 진화 알고리즘 사용 우리는 몇 가지 예제를 고려할 것이다 신경 네트워크의 진화 알고리즘 인공 환경에서 훈련 된 이 비디오에서 심층 훈련의 예술 완벽 강한 동기 부여가 필요하며 무수한 시간의 생산적인 작업 그러나 동시에 깊은 훈련 전문가의 필요성 점차 커지는 이 때문에 공간이 있었어 수요와 공급의 균형 가까운 장래에 사라지지 않을 것 같은 이를 극복하기 위해 기업들은 시스템을 공개하고 있습니다 AI 모델 생성 자동화 한 가지 예는 Google의 AutoML입니다

이 솔루션은 개발자가 전문가가 아닌 사람들 포함 ML 이미지 인식을위한 자체 모델 구축 대부분의 기능은 다른 기본 기능을 포함하도록 확장됩니다 빌딩 블록 ML 연설 번역과 같은 비디오 및 자연어 인식 데이터 가져 오기에서부터 마킹까지 시스템 전체 건물 모델 그리고 그들의 훈련 관리를 위해 약물 및 드롭 인터페이스 사용 부모 – 자식 네트워크 모델을 사용하여이 작업을 수행합니다 부모 신경망 임의의 어린이 네트워크 아키텍처를 제공합니다 그런 다음 교육을 받고 품질은 일부 작업에 의해 평가됩니다 이 추정치가 사용됩니다 학부모에게 다음에 생성 된 어린이 네트워크의 아키텍처를 개선하는 방법을 알리려면 이 과정은 수천 번 반복된다 매번 새로운 아키텍처를 생성합니다

그들은 테스트를 거쳐 평가가 부모에게 전달되어 개선됩니다 그라디언트 업데이트는 피드백으로 사용되며 어느 시점에서 사용됩니다 부모는 높은 확률을 할당하기 시작합니다 최고 정확도에 도달 한 아키텍처의 장소 현재 데이터 세트의 경우 또 다른 최근 예제 신경 진화에 관한 우버로부터 Uber의 인공 지능 연구원은 5 개의 기사 세트를 발표했다 이 기법에 집중했다

이 연구는 유전 알고리즘은 효과적인 방법이다 깊은 신경 네트워크 훈련 용 보강 훈련 문제 그리고 그들은 전통적인 것보다 더 효과적입니다 보강 훈련 방법 일부 지역 진화론 적 방법은 오랜 역사가있다 그러나 그들은 지금 피어났다 이것은 지난 10 년 동안의 생각의 부활을 계속 이어 나가고 있습니다

실제 문제에 대한 그들의 응용 현대 다리미 사용 좋은 결과를 얻으려면 그래서 그것은 Convolutional Networks와 함께했습니다 반복되는 네트워크 일반적으로 증원과 훈련 사실, 심층적 인 교육의 모든 이야기 다시 생각하고 부활로 가득 찬 예를 들어, 역 전파 여러 번 재 해석되었다 기계 학습에서 가장 중요한 것은 최적화입니다 여부와 상관없이 분류 작업 회귀 또는 강화 된 훈련 거의 언제나 주요 임무는 입력 데이터를 출력에 연결하는 함수를 찾으려면 데이터 과학자가 매개 변수를 출력하려고합니다 및 전역 모델 매개 변수 훈련 데이터에 기초 에서 테스트 데이터의 도움으로 확인하십시오

근사 함수가 새로운 데이터에 대해 잘 작동한다는 것 주요 문제는 정확한 전역 매개 변수를 찾는 것입니다 최소한의 손실이나 가장 큰 보상으로 이어질 것입니다 일반적으로 그라디언트 디센트가이 용도로 사용됩니다 신경망의 맥락에서 역 전파라고합니다 네트워크에 두 가지 매개 변수가 있다고 가정 해 봅시다 이것은 우리가 최적화의 표면을 시각화 할 수 있도록하기위한 것입니다

일반적으로 많은 수의 매개 변수를 사용하면 시각화가 불가능합니다 모든 매개 변수 값 및 가능한 모든 오류 값의 그래프 언덕과 계곡이있는 매우 거친 지형과 비슷하다 동부 텍사스처럼 우리는 가파른 계곡의 가장 낮은 지점을 찾고 싶다 이것은 최소값입니다 각 반복에서 우리가 생각하는 그라디언트는 어느 방향을 찾을 지 알려줍니다

최소값을 찾으려면 그것이 최소한을 발견 할 때까지 표면 위로 구르는 공이라고 생각하십시오 현재이 방법이 네트워크를 최적화하는 가장 보편적 인 방법입니다 신경 진화, 유전 알고리즘, 진화 전략 이러한 모든 기술은, 한 가지 또는 다른 것은 유전 적 진화의 개념과 관련이 있습니다 심 신경 네트워크의 맥락에서 유전 최적화를한다면 우리는 모델의 원래 인구로 시작합니다 보통 모델은 무작위로 초기화됩니다

원래 모델을 기반으로 여러 자손을 얻습니다 깊은 신경 네트워크의 경우 작은 랜덤 벡터를 추가하여 모델을 초기화합니다 간단한 가우스 분포로부터 취해진 이로 인해 최적화 표면에 속하는 모델 클라우드가 나타납니다 그라디언트 강하와 중요한 차이가 있습니다 우리는 하나의 모델 대신에 모델 인구를 시작하고 계속해서 작업했습니다

원래 인구로 시작 유전 적 순환이 시작된다 첫째, 적합성 평가 그것은 최적화 표면의 소속의 검증과 함께 발생한다 어떤 모델이 가장 좋은 결과를 보여줄지를 결정한다 이는 일부 기준에 가장 적합 함을 의미합니다 일부 모델은 자신이 다른 모델보다 더 잘 나타납니다 매개 변수의 초기화로부터 다음은 피트니스 평가에 따른 선택입니다 진화론 적 전략 자손은 하나의 모델로 축소됩니다

가중치 평가 깊은 신경 네트워크의 경우, 적합성은 손실 또는 보상으로 정의됩니다 일반적으로, 우리는 간단히 최적화의 표면으로 나아 간다 방향을 나타 내기 위해 자손을 사용한다 그라디언트 강하와 큰 차이점 그라디언트를 계산하는 대신 우리는 덩어리를 많이 얹는다 그리고 가장 좋은쪽으로 이동하십시오

이는 구조화 된 무작위 검색과 유사합니다 이 선택 단계의 최종 결과에서 단일 모델을 얻습니다 다음 단계는 재생산입니다 새로운 메인 모델을 기반으로 초기화 과정과 동일한 과정이 반복됩니다 그래서 우리는 새로운 자손 세트를 얻습니다

더 나아가이 과정은 이들 자손들과 반복됩니다 보통, 유전 적 돌연변이 자손을 다양 화하기 위해 이제 코드가 어떻게 생겼는지 보자 신경 진화를 사용하여 최적의 신경 네트워크 생성 간단한 게임에서 이기기 – Flappy Bird 게임의 기본 아키텍처를 결정하려면 우리는 2 개의 클래스를 사용한다 파이프와 버드 이 클래스는 게임에서 파이프와 새의 행동을 결정합니다 이 클래스는 게임 기능과 함께 게임을 실행하기에 충분합니다

게임 기능은 두 클래스를 초기화하고 한 라운드 게임을 실행합니다 이러한 기능에 대한 인수 : 게놈 및 구성 신경 진화 알고리즘을 실행하는 데 사용 하나의 기능으로 게임을 구현 NEAT 알고리즘의 편의를 위해 언제든지 호출 할 수 있습니다 NEAT 또한이 기능은 게임 세션 중 각 게놈의 적합성을 계산합니다 게놈 적합성 함수는 NEAT 알고리즘의 작업과 직접 관련이 있습니다 특정 세대의 모든 유전자를 평가하는 책임이있다 그것은 모집단의 모든 유전자에 대해 게임 기능을 호출합니다 게임 기능에 의해 반환 된 적합도 값을 할당한다 관련 게놈 우리는 Python NEAT 패키지의 NEAT 구현을 사용한다

필요한 구성 파일 여기에는 알고리즘의 매개 변수 목록과 그 의미가 들어 있습니다 모든 매개 변수의 기본값을 그대로 둡니다 발생 수와 적합성 임계 값의 값을 제외하고는 우리는 그들을 600과 동일하게 설정했다 게임이 훈련 되 자마자 우리는 적합도 임계 값과 일치하는 알고리즘에 의해 생성 된 세대 수 게임의 복잡성에 따라 선형 적으로 변화한다 이는 파이프들 사이의 갭의 길이에 의존한다 최적의 신경 회로망은 가중치의 값뿐만 아니라 뿐만 아니라 아키텍처 이 비디오에서 꺼내야 할 것 Neuroevolution은 신경 네트워크의 최적화를 포함하는 방법입니다 진화 알고리즘 사용 최고의 AI 모델에 대한 수요가 증가함에 따라 AI가 가장 효과적으로 다른 AI를 구축 할 수있는 그리고 Gradient Descent의 대안으로 신경 진화를 최적화 방법으로 사용할 수 있습니다 지난 주 통화의 승자 데와 발디 첫째, 훌륭한 문서를 썼다

그것은 크게 초보자를 도울 것입니다 그는 나를 위해 배우 펜 (Cal Penn)과 얼굴을 성공적으로 교환했습니다 그리고 미래에 그는이 기술을 음악 신호에 적용하려고합니다 첫 번째 GitHub 저장소에 관해서는 잘 했어 Paramdeep Singh이 2 위를 차지했습니다 그는 사람 교환을위한 다양한 아키텍처를 테스트하기 위해 엄청난 노력을 기울였습니다

이번 주 시험 Neuroevolution을 사용하여 AI가 2D 및 3D 공간에서보다 효율적으로 이동할 수있게하십시오 이 동영상의 댓글에 GitHub에 대한 링크를 남겨주세요 다음 주에 두 명의 승자를 발표 할 것입니다 이봐 요! 비디오가 좋았 니? 좋아한다면 구독하고 모든 꿈은 실현됩니다 그리고 이제 진화해야합니다

시청 해 주셔서 감사합니다