मैंने हाल ही में न्यूरल नेटवर्क के बारे में बात करते हुए Google रिसर्च ब्लॉग से एक बहुत दिलचस्प ब्लॉग प्रविष्टि पढ़ी है। मूल रूप से वे इस तंत्रिका नेटवर्क का उपयोग छवि मान्यता जैसी विभिन्न समस्याओं को हल करने के लिए करते हैं। वे अक्षतंतु के वजन को "विकसित" करने के लिए आनुवंशिक एल्गोरिदम का उपयोग करते हैं।
तो मूल रूप से मेरा विचार निम्नलिखित है। अगर मुझे एक प्रोग्राम लिखना चाहिए था जो संख्याओं को पहचानता है तो मुझे नहीं पता होगा कि कैसे शुरू करें (मुझे कुछ अस्पष्ट विचार हो सकता है लेकिन मेरी बात यह है: यह तुच्छ नहीं है, न ही आसान है।) लेकिन तंत्रिका नेटवर्क का उपयोग करके मुझे नहीं करना है। तंत्रिका नेटवर्क को विकसित करने के लिए सही संदर्भ का निर्माण करके, मेरा तंत्रिका नेटवर्क "सही एल्गोरिदम ढूंढेगा"। नीचे मैंने लेख का एक बहुत दिलचस्प हिस्सा उद्धृत किया है, जहां वे बताते हैं कि छवि मान्यता की प्रक्रिया में प्रत्येक परत की अलग-अलग भूमिका कैसे होती है।
तंत्रिका नेटवर्क की चुनौतियों में से एक यह समझ रहा है कि प्रत्येक परत पर वास्तव में क्या होता है। हम जानते हैं कि प्रशिक्षण के बाद, प्रत्येक परत उत्तरोत्तर रूप से छवि की उच्च और उच्च-स्तरीय विशेषताओं को निकालती है, जब तक कि अंतिम परत अनिवार्य रूप से छवि को दर्शाती है कि क्या निर्णय लेती है। उदाहरण के लिए, पहली परत शायद किनारों या कोनों के लिए दिखती है। इंटरमीडिएट परतें समग्र आकार या घटकों को देखने के लिए बुनियादी सुविधाओं की व्याख्या करती हैं, जैसे एक दरवाजा या एक पत्ता। अंतिम कुछ परतें पूरी व्याख्याओं में इकट्ठा होती हैं - ये न्यूरॉन्स बहुत जटिल चीजों जैसे कि पूरी इमारतों या पेड़ों के जवाब में सक्रिय होते हैं।
इसलिए मूल रूप से मेरा प्रश्न निम्नलिखित है: क्या हम हर एनपी समस्या को हल करने के लिए आनुवंशिक एल्गोरिदम + तंत्रिका नेटवर्क का उपयोग नहीं कर सकते थे? हम सिर्फ सही विकासवादी संदर्भ बनाते हैं और "प्रकृति" का हल ढूंढते हैं।
इंसेप्शनिज्म: गोइंग डीपर इन न्यूरल नेटवर्क्स
संपादित करें: मुझे पता है कि हम ब्रूट-फोर्स का उपयोग कर सकते हैं या कई मामलों में एक कुशल समाधान नहीं पा सकते हैं। यही कारण है कि मैं कृत्रिम तंत्रिका नेटवर्क को विकसित करने का प्रयास करता हूं । जैसा कि मैंने एक टिप्पणी में कहा था: पर्याप्त समय और एक उपयुक्त उत्परिवर्तन दर को देखते हुए हम इष्टतम समाधान (या कम से कम जो मुझे लगता है) मिल सकता है।