🫥 Как нейросеть распознает рукописную цифру или букву?

Процесс состоит из трех ключевых этапов:
1. Предобработка изображения: Подготовка цифры к анализу.
2. Извлечение признаков: Преобразование изображения в форму, понятную для нейросети.
3. Классификация: Собственно, определение цифры (0-9) с помощью нейросети.

🔍 Рассмотрим фундаментальные принципы распознавания:

▪️Изображение рукописной цифры (например, с сканера или планшета) делится на сетку пикселей. Чаще всего используется стандартный датасет MNIST, где каждая цифра — это черно-белое изображение 28x28 пикселей.
▪️Каждому пикселю присваивается число, обычно от 0 (белый) до 255 (черный), или нормализованное значение от 0.0 до 1.0.
▪️Эти 784 числа (28 * 28) и становятся входными данными для нейросети. Каждый пиксель — это один входной нейрон.

Раньше для извлечения признаков использовали сложные рукописные алгоритмы (анализ контуров, статистики), но сейчас сверточные нейронные сети (CNN / СНС) делают это автоматически и гораздо эффективнее.

🟡1. Сверточные нейронные сети (CNN) — идеально подходят для изображений. Они работают не с "плоским" набором из 784 пикселей, а учитывают их пространственную структуру (соседство).
Сверточные слои: Здесь используются фильтры (ядра), которые "скользят" по изображению. Каждый фильтр ищет определенные простые признаки: линии, углы, границы. Следующие слои комбинируют эти простые признаки в более сложные: части окружностей, пересечения и т.д. Весовые коэффициенты здесь — это именно значения внутри этих фильтров. Нейросеть в процессе обучения сама подбирает, какие фильтры (признаки) наиболее полезны для распознавания цифр.
— Слои подвыборки (пулинга): Упрощают карту признаков, оставляя самое важное и повышая устойчивость к небольшим сдвигам цифры.
— Полносвязные слои: В конце сети полученные сложные признаки подаются на обычные нейронные слои, которые взвешивают их значимость и принимают окончательное решение: "Это цифра 5 с вероятностью 92%".

🟡2. Классический многослойный перцептрон (MLP) — Более простая архитектура, которая, как вы описали, принимает на вход просто "плоский" вектор из 784 чисел. Она также имеет скрытые слои с весовыми коэффициентами и на выходе 10 нейронов (по одному на цифру). MLP может хорошо работать на MNIST (до 98% точности), но CNN надежнее и лучше обобщает.

🟡3. Другие алгоритмы (исторические и альтернативные):
— Метод опорных векторов (SVM): Эффективный классический алгоритм.
— K-ближайших соседей (K-NN): Простой алгоритм для сравнения с эталоном.
— Метод Хаара и гистограммы ориентированных градиентов (HOG): Классические методы ручного извлечения признаков.
— Random Forest: Ансамблевые методы на основе деревьев решений.

Как именно участвуют весовые коэффициенты? Рассмотрим упрощенную аналогию полносвязного слоя:
✔️У вас есть 784 входа (пикселя). Каждый вход соединен с нейронами следующего слоя.
✔️У каждой связи есть свой "вес" (weight) — это число, которое умножается на значение яркости пикселя.
✔️Нейрон суммирует все эти взвешенные входы, добавляет смещение (bias) и пропускает результат через функцию активации (например, ReLU), которая вносит нелинейность.
✔️В процессе обучения (на тысячах примеров с известными ответами) алгоритм обратного распространения ошибки постоянно подстраивает все эти веса, чтобы минимизировать ошибку. Синапсы с полезными признаками усиливаются, с бесполезными — затухают.

1. Вход: Изображение цифры → преобразуется в матрицу 28x28 чисел (яркость пикселей).
2. CNN (опционально, но желательно): Автоматически выделяет иерархию признаков (края → части цифр → целые цифры).
3. Классификация: Последние слои нейросети анализируют полученные признаки.
4. Выход: Вектор из 10 чисел (вероятностей). Выбирается цифра с максимальной вероятностью.
#глубокое_обучение #искусственный_интеллект #машинное_обучение #нейронные_сети #ИИ #AI

💡 Physics.Math.Code // @physics_lib