Для решения сложных задач классификации в настоящее время используются методы глубокого обучения. Они включают в себя использование сотен или даже десятков слоев искусственных нейронов с множеством фильтров, которые являются обучаемыми параметрами, извлекающими определенные признаки. Например, первый слой сверточной нейросети ответственен за выявление признаков в ограниченной области изображения, а последующие слои работают с более крупными фрагментами изображения. Об этом пишет Lenta.ru
![](https://cdn.krym.news/img/0/807/1200.webp)
При обучении с учителем, вначале происходит шаг прямой связи, при котором определяется расстояние между текущими и желаемыми выходными данными для данного ввода, используя заданную функцию ошибок. Затем следует процедура обратного распространения ошибки, при которой значение расстояния передается от выходного слоя к входному, в результате чего обновляются веса, указывающие на силу связей между нейронами. Нейронные сети с многочисленными скрытыми слоями имеют сложную архитектуру, что обеспечивает эффективную оптимизацию обучения для решения сложных задач классификации.
![](https://cdn.krym.news/img/0/834/1200.webp)
Архитектура биологического мозга сильно отличается от глубоких нейронных сетей, так как он состоит всего из нескольких слоев с прямой связью. Один слой нейронов выполняет функцию свертки данных, полученных сетчаткой, для связывания их с вышележащими скрытыми слоями. Новое исследование показало, что использование неглубоких сетей с прямой связью может привести к достижению такого же уровня ошибок при решении сложных задач классификации, как в глубоком обучении. При этом потребуется меньшая вычислительная сложность. Однако для эффективной реализации неглубоких архитектур необходимо изменение свойств графических процессоров и будущих специализированных разработок, по мнению авторов.