Перцептроны (Perceptron)
Базовый и самый простой тип нейросетей, который используют для решения задач классификации. С помощью слоев нейронов они принимают множество входных данных и преобразуютvих в один или несколько выходов.
Перцептроны бывают:
- Однослойные (SLP). Могут решать элементарные задачи линейной классификации.
- Многослойные (MLP). Справляются с более сложными задачами, включая нелинейную классификацию и регрессию.
Примеры использования нейросетей-перцептронов:
- разделение писем в почтовом ящике на спам и не спам;
- обработка информации с датчиков и камер в автономных транспортных средствах;
- выявление подозрительных транзакций по банковским картам;
- создание персонализированных предложений в соцсетях и интернет-магазинах.
Сверточные нейронные сети (CNN)
Работают по аналогии со зрительным восприятием человека: сначала распознают общее, а затем, слой за слоем, частное. CNN предназначены для работы с визуальным контентом:
- в медицине — для анализа рентгеновских снимков, результатов МРТ и КТ;
- приборостроении — для обработки данных с видеорегистраторов беспилотных систем;
- программах распознавания лиц — для аутентификации в банках и системах видеонаблюдения;
- документообороте — для расшифровки сканов паспортов, СНИЛС и других документов;
- астрофизике — для исследования космических лучей сверхвысоких энергий.
Генеративно-состязательные нейросети (GAN)
Состоят из двух нейросетей — генератора и дискриминатора, которые обучают друг друга. Генератор создает новые данные, а дискриминатор пытается отличить их отvреальных и в случае неудовлетворительного результата возвращает генератору на доработку.
GAN обладают следующими возможностями:
- Создание визуального контента. Нейросети умеют генерировать реалистичные изображения и видеоролики.
- Редактирование изображений. GAN могут увеличивать разрешение, восстанавливать детали, дорисовывать изображение за его границами. Их используют в медицине для улучшения качества снимков и в киноиндустрии — для реставрации старых фильмов.
- Создание музыки. GAN генерируют композиции на основе существующих стилей и жанров.
- Создание 3D-моделей. Нейросети применяют для создания 3D-моделей в виртуальной реальности и компьютерных играх.
Рекуррентные нейросети (RNN)
Их используют для работы с данными, где важны последовательность и контекст. Это возможно благодаря тому, что RNN обладают «памятью», то есть учитывают предыдущую информацию при обработке следующей.
RNN применяют для решения таких задач:
- машинный перевод с одного языка на другой;
- создание текста, анализ тональности и распознавание речи;
- прогнозирование финансовых рынков;
- создание музыки и изображений.
Трансформеры (Transformers)
Революционные нейросети, которые применяют для машинного перевода, создания и классификации текста и других задач обработки естественного языка (NLP). В отличие от рекуррентных, они используют не последовательности, а механизм «внимания», то есть могут учитывать важность разных частей входных данных одновременно.
Примеры известных нейросетей-трансформеров:
- BERT. Нейросеть Google умеет классифицировать информацию, отвечать наvвопросы, оценивать сходство текстов.
- GPT. Известна благодаря своей способности генерировать логичные и связные тексты. Умеет писать статьи, отвечать на вопросы, вести диалог с пользователем.
- Turing-NLG. Языковая модель для генерации текста и его анализа. Способна обрабатывать большие объемы данных и решать сложные задачи в области NLP.
- YandexART. Сочетает свойства трансформационной и сверточной нейросетей. Генерирует изображения, анимационные видео и другой творческий контент.