Pasak oficialios "Google" dienoraštį, mokymo procesas remiasi kartojimu ir analizė. Pavyzdžiui, jei norite treniruoti savo ANN nustatyti dviračiu, norite parodyti, kad jis daug milijonų dviračių. Be to, jūs aiškiai nurodyti - kompiuterių kodą, žinoma -. Kas dviratis atrodo, su dviem ratais, sėdynės ir vairo
Tada mokslininkai įjungti į tinklą laisvus pamatyti, kas rezultata rasite , Nebus klaidų. Programa gali būti, pavyzdžiui, grįžti vaizdų serijos, įskaitant Motociklų ir mopedų. Tais atvejais, programuotojai gali keisti kodą paaiškinti į kompiuterį, dviračiai neapima varikliai ir dujų išmetimo sistemas. Tada jie paleisti programą, vėl ir vėl, tobuliname programinę įrangą, kol jis grįžta patenkinamų rezultatų.
Giliai Svajonių komanda suprato, kad vieną kartą per tinklą gali nustatyti tam tikrus objektus, ji taip pat galėtų atkurti tuos objektus nuo jos pačių. Taigi tinklas, kuris žino, dviračius ant žvilgsnio gali tada atgaminti žinutę dviračių vaizdas be papildomo įėjimo. Idėja yra, kad tinklas yra generuoti kūrybines naujų organizuoti vaizdų dėka savo gebėjimą klasifikuoti ir rūšiuoti atvaizdus.
Įdomu tai, kad net ir po sijojimas per milijonus dviračių nuotraukas, kompiuteriai dar padaryti kritinių klaidų, kurti savo nuotraukas dviračiai , Jie gali apimti dalinius žmogaus rankas ant vairo ar kojų ant pedalų. Tai atsitinka todėl, kad daugelis bandymų vaizdų įtraukti žmones, taip pat ir kompiuteris galiausiai negali įžvelgti, kur dviračių dalys baigti ir žmonės dalys prasidės.
Šios klaidų rūšių atsitikti dėl daugelio priežasčių, ir net programinės įrangos inžinieriai ne iki galo suprasti kiekvieną neuroninių tinklų jie pastatyti aspektą. Bet žinant, kaip neuroniniai tinklai dirbti galite pradėti suprasti, kaip atsiranda šie trūkumai.
dirbtiniai neuronų tinklo veikti kaminai. Giliai sapnas gali naudoti tik po 10 ar kiek 30. Kiekvienas sluoksnis susitvarko įvairių detalių vaizdą. Pradiniai sluoksniai gali nustatyti pagrindai, pavyzdžiui, sienų ir kraštų per paveikslėlį. Kitas gali nustatyti konkrečias spalvas ir orientaciją. Kitos sluoksniai gali ieškoti konkrečių formų, primenančius daiktus, pavyzdžiui, kėdės ar lemputę. Galutiniai sluoksniai gali reaguoti tik į sudėtingesnių objektų, tokių kaip automobiliai, lapų ar pastatų.
"Google" kūrėjai vadina šį procesą inceptionism nuoroda į šiuo konkrečiu neuroninio tinklo architektūra. Jie net parašė viešą galeriją parodyti pavyzdžius Deep Drea
