Нейронная сеть с несколькими скрытыми слоями, способная изучать сложные закономерности из данных.Глубокая нейронная сеть — это модель искусственного интеллекта, состоящая из множества слоёв взаимосвязанных узлов (нейронов), каждый из которых преобразует входные данные во всё более абстрактные представления. «Глубина» в названии относится к множеству скрытых слоёв между входом и выходом, которые позволяют сети изучать иерархические признаки — от простых рёбер на изображениях до сложных объектов, или от фонем до целых предложений в речи.
Концепция глубоких архитектур восходит к 1960-м годам с перцептроном, но обучение глубоких сетей было непрактичным до 2000-х годов, когда такие методы, как послойное предобучение и активации ReLU, а также вычисления на GPU, сделали глубокое обучение возможным. Победа AlexNet в ImageNet в 2012 году ознаменовала современную революцию глубокого обучения.
Каждый нейрон в слое вычисляет взвешенную сумму своих входов, добавляет смещение и применяет нелинейную функцию активации (например, ReLU). Во время обучения сеть корректирует эти веса с помощью обратного распространения ошибки, которое вычисляет градиент функции потерь по каждому весу и обновляет их с помощью градиентного спуска. При достаточном количестве данных и вычислительной мощности сеть учится минимизировать ошибки предсказания. Иерархическая структура означает, что ранние слои улавливают низкоуровневые признаки, а более глубокие слои объединяют их в высокоуровневые концепции.
Глубокие нейронные сети используются в распознавании изображений, обработке естественного языка, автономном вождении, медицинской диагностике и научных исследованиях — от обнаружения гравитационных волн до классификации галактик.
Глубокие нейронные сети можно обмануть, добавив крошечные, незаметные возмущения к изображениям, что заставляет их с высокой уверенностью классифицировать панду как гиббона — это явление называется состязательными примерами.
