Программа нейрон что это

Neuron 31.41.7

Plain text
Текстовая версия страницы без форматирования (plain-text) пригоден для печати на принтере.

HTML
Готовый текстовый файл с HTML разметкой пригоден для публикации на других сайтах.

BB Code
Готовый текстовый файл с разметкой BB Code пригоден для публикации на форумах.

Neuron – полнофункциональный веб-обозреватель, в основе разработки которого лежит ядро свободного браузера Chromium. Одной и важных отличительных черт программы является наличие так называемой функции «шухер». Благодаря «шухеру» браузер выгодно использовать в рабочее время, когда неожиданно может нагрянуть начальник и проверить работу.

Функция запускается при нажатии «горячих» клавиш, которые пользователь браузера может определить и настроить сам. Режим «инкогнито» не позволит cookie-файлам задержаться на компьютере и захламить его. От них не останется и следа в реестре после закрытия программы. Все браузеры, созданные на базе Chromium, отличаются безопасностью и надёжностью и Neuron не исключение. Приложение запускается и открывает страницы сетей и сложные веб-приложения так же молниеносно, как и передают сигналы нейроны в человеческом мозгу.

Нейрон: строение, функции, виды. Синапсы

Особенности программы

— Обрабатывает запрашиваемые страницы молниеносно.
— Поддерживает функцию быстрого поиска нужной информации.
— Уникальный дизайн делает браузер безопасным для глаз, благодаря контрасту — цветов.
— Наличие функции «шухер» делает веб-серфинг в рабочее время более удобным.
— Блокирует программы-преследователи.
— Высокая надёжность и безопасность веб-обозревателя.
— Имеет множество полезных и нужных плагинов.
— Распространяется на бесплатной основе.
— Блокирует тех, кто отслеживает посещаемые юзером страницы.
— Имеет режим «инкогнито».
— Есть поддержка русского языка.

Недостатки программы

— Имеет закрытый исходный код.

Системные требования

— Процессор с тактовой частотой 2200 MHz или более мощный.
— Оперативная память 512 Мб или больше.
— Видеокарта с видеопамятью объемом не менее 64 Мб или более мощный.
— Свободное место на жёстком диске от 144 Мб.
— Любая совместимая с системой звуковая карта.
— Архитектура с разрядностью 32 бит или 64 бит (x86 или x64).
— Операционная система Windows XP, Windows Vista, Windows 7, Windows 8

Онлайн браузеры: Таблицы сравнения

Название программы	На русском	Дистрибутивы	Инсталлятор	Популярность	Размер	Индекс
Mozilla Firefox		★ ★ ★ ★ ★	0.3 Мб	100
Google Chrome		★ ★ ★ ★ ★	1.1 Мб	100
SRWare Iron		★ ★ ★ ★ ★	58.3 Мб	100
Pale Moon		★ ★ ★ ★ ★	30.7 Мб	100
Chrome Hybrid		★ ★ ★ ★ ★	0 Мб	100
Opera		★ ★ ★ ★ ★	43.4 Мб	100
Baidu Browser		★ ★ ★ ★ ★	46.1 Мб	100
Firefox Hybrid		★ ★ ★ ★ ★	56.5 Мб	100
Waterfox		★ ★ ★ ★ ★	69.7 Мб	99
Chromium Secure		★ ★ ★ ★ ★	48.2 Мб	100
Cyberfox		★ ★ ★ ★ ★	78.4 Мб	100
Opera Hybrid		★ ★ ★ ★ ★	55.1 Мб	99
Otter Browser		★ ★ ★ ★ ★	22.2 Мб	99
Yandex Browser		★ ★ ★ ★ ★	2 Мб	99
CocCoc Browser		★ ★ ★ ★ ★	48.2 Мб	99
Amigo		★ ★ ★ ★ ★	0.4 Мб	99
CoolNovo		★ ★ ★ ★ ★	38.7 Мб	99
Iridium Browser		★ ★ ★ ★ ★	63.1 Мб	99
Slimjet		★ ★ ★ ★ ★	42.4 Мб	98
Comodo Dragon		★ ★ ★ ★ ★	74.7 Мб	96
Uran		★ ★ ★ ★ ★	0.6 Мб	99
Brave		★ ★ ★ ★ ★	76.7 Мб	98
SeaMonkey		★ ★ ★ ★ ★	38.4 Мб	92
Comodo IceDragon		★ ★ ★ ★ ★	54.7 Мб	97
Vivaldi		★ ★ ★ ★ ★	50.2 Мб	98
Maxthon		★ ★ ★ ★ ★	51.3 Мб	97
Apple Safari		★ ★ ★ ★ ★	36.7 Мб	95
Tesla Browser		★ ★ ★ ★ ★	0.9 Мб	97
QupZilla		★ ★ ★ ★ ★	33.8 Мб	95
Citrio		★ ★ ★ ★ ★	54.9 Мб	97
AOL Shield		★ ★ ★ ★ ★	0.6 Мб	96
CometBird Browser		★ ★ ★ ★ ★	15.9 Мб	95
Maelstrom		★ ★ ★ ★ ★	36.1 Мб	96
Cent Browser		★ ★ ★ ★ ★	48.7 Мб	95
Chromium		★ ★ ★ ★ ★	129.8 Мб	96
QIP Surf		★ ★ ★ ★ ★	23.3 Мб	96
1st Browser		★ ★ ★ ★ ★	1 Мб	96
CyberDragon		★ ★ ★ ★ ★	52.7 Мб	92
Neuron		★ ★ ★ ★ ★	56.3 Мб	96
Superbird		★ ★ ★ ★ ★	39.5 Мб	96
Mustang		★ ★ ★ ★ ★	38.5 Мб	96
Avant Browser		★ ★ ★ ★ ★	87 Мб	92
Kometa		★ ★ ★ ★ ★	0.7 Мб	94
Maxthon Nitro		★ ★ ★ ★ ★	31.4 Мб	91
K-Meleon		★ ★ ★ ★ ★	17.2 Мб	84
BlackHawk Browser		★ ★ ★ ★ ★	43.7 Мб	91
SlimBoat		★ ★ ★ ★ ★	11.8 Мб	91
Wyzo		★ ★ ★ ★ ★	13.4 Мб	87
360 Browser		★ ★ ★ ★ ★	45.4 Мб	93
Tor Browser Bundle		★ ★ ★ ★ ★	51.5 Мб	90
UC Browser		★ ★ ★ ★ ★	1.2 Мб	93
Lunascape		★ ★ ★ ★ ★	35 Мб	88
Torch Browser		★ ★ ★ ★ ★	65.8 Мб	92
Sleipnir		★ ★ ★ ★ ★	68.9 Мб	86
Orbitum		★ ★ ★ ★ ★	1.2 Мб	92
Oxy Browser		★ ★ ★ ★ ★	60.6 Мб	91
Epic Browser		★ ★ ★ ★ ★	21.9 Мб	74
Titan Browser		★ ★ ★ ★ ★	47.8 Мб	91
Coowon		★ ★ ★ ★ ★	36.3 Мб	88
Polarity		★ ★ ★ ★ ★	1.1 Мб	80
Pampa Browser		★ ★ ★ ★ ★	0.3 Мб	82
Internet Explorer		★ ★ ★ ★ ★	30.8 Мб	85
SlimBrowser		★ ★ ★ ★ ★	3.9 Мб	83
Orca Browser		★ ★ ★ ★ ★	9.6 Мб	80
Browzar		★ ★ ★ ★ ★	0.2 Мб	71
Sandcat		★ ★ ★ ★ ★	26.5 Мб	81
Opera Unofficial		★ ★ ★ ★ ★	17.2 Мб	72
Vole Internet Expedition		★ ★ ★ ★ ★	40.9 Мб	76
ZipZap		★ ★ ★ ★ ★	17 Мб	75
TheWorld Browser		★ ★ ★ ★ ★	16.5 Мб	67
Dooble		★ ★ ★ ★ ★	40.7 Мб	65
GreenBrowser		★ ★ ★ ★ ★	1.1 Мб	59

Источник: xetcom.net

Что такое нейронные сети? ДЛЯ НОВИЧКОВ / Про IT / Geekbrains

Чем занят нейропроцессор в телефоне

Недавно мы рассказывали, что такое нейросети и как они учатся. Сегодня посмотрим, как нейронки работают в вашем телефоне.

Если пропустили первую статью — вот основное оттуда:

• Нейросеть — это большая куча формул, связанных между собой.
• Обучение нейросетей — это корректировка чисел внутри этих формул.
• Использование нейросети сводится к тому, что мы подаём нужным формулам на вход какие-то числа, а на выходе получаем какие-то другие числа. И мы, люди, это как-то интерпретируем.
• Нейросети — это просто огромный массив математики.

Все формулы нейросети можно разложить на «слои», их может быть сколько угодно. Между слоями будут связи, каждый со своим «весом». «Вес» показывает, как данные меняются при передаче из одного нейрона в другой.

Сколько нейронов (и весов) в нейросети

Теоретически можно сделать очень простую нейросеть, в которой будет только один слой нейронов и одно итоговое значение:

Но в реальности толку от такой нейронки мало: проще написать линейный алгоритм и решить всё перебором, чем городить огород с нейросетями.

В современных нейросетях используются десятки миллионов нейронов, разбитые на множество слоёв.

Обучение нейронки — это работа с матрицами

Чаще всего нейроны в нейросети не связаны друг с другом поодиночке — вместо этого один нейрон может влиять на несколько других в соседнем слое. Точно так же происходит и с ним — на один нейрон влияют сразу несколько предыдущих.

Чтобы найти значение веса данного нейрона, нам нужно вычесть, сложить или перемножить несколько однородных коэффициентов. В математике проще всего это делать с помощью матриц — специальных конструкций из чисел, которые считаются по простым правилам.

Мы уже рассказывали про матрицы и работу с ними и сделали про них 6 статей. Если интересно, как всё это работает с точки зрения математики, — вот, держите:

Знакомимся с вектором
Основы линейной алгебры для тех, кого это миновало в универе.
Операции с векторами
Как сложить и перемножить векторы (и зачем).
Векторы: третий уровень сложности
Знакомимся с коллинеарностью.
Знакомство с матрицами
Понятие и базовые операции.
Что такое обратная матрица

Сложная тема из линейной алгебры.
Решение матричных уравнений
Финальная глава саги.

Нейросети и процессоры

Одну матрицу процессору посчитать несложно, и даже тысячу матриц одновременно — несложно. Но что, если нам нужно считать миллионы матриц в секунду?

Например, у вас картинка размером 1000 на 1000 пикселей — это миллион пикселей. Вам нужно обработать её в нейросети.

Цветная картинка — это три цветовых слоя. То есть относительно небольшая картинка 1000 × 1000 — это три миллиона чисел.

3 миллиона чисел — это только первый слой нейросети. Дальше можно предположить, что будет ещё 3 слоя. Предположим, что в сумме наша нейронка будет считать 10 миллионов матриц.

Если мы хотим обрабатывать видео, то нам нужно обрабатывать всё это богатство хотя бы 25 раз в секунду. Поэтому в итоге нам нужно считать 250 миллионов матриц в секунду.

Расчёт одной матрицы может требовать сотен и тысяч операций процессора. То есть это уже 250 млрд операций в секунду. Это значит, что мощный процессор, у которого 24 ядра, 48 потоков и частота 4 гигагерца будет работать на пределе своих возможностей. А ему ещё нужно заниматься работой операционной системы и обслуживать другие программы. В одиночку процессору вытягивать такое очень сложно, да и перегреется он в таком режиме слишком быстро.

Современные процессоры состоят из ядер, которые умеют считать что-то параллельно. Но ни у кого нет ста ядер. В обычном процессоре (CPU) от 2 до 16 ядер, и даже если они все будут работать параллельно с максимальной эффективностью, этой скорости всё равно не хватит на работу нейросети в реальном времени. Или хватит, но это будет очень простая нейронка, по сложности сравнимая с обычными алгоритмами.

Помимо обычных процессоров есть видеокарты со специальными графическими процессорами (GPU). Там уже всё гораздо веселее: от тысячи до десятков тысяч ядер. Они маленькие, простые, но могут работать параллельно и быстро — как раз то, что нужно для нейросети. Если нет специального железа, используют их, но есть один нюанс — GPU подходят для неспешного обучения или для несложных нейронок. Если будет что-то сложное, то они начнут сильно греться, потреблять много электричества и могут всё равно не справиться с задачей.

Нейропроцессоры и ускорители

Чтобы разгрузить графический процессор и сделать вычисления более быстрыми, придумали нейронный процессор — он же нейропроцессор или NPU. Он заточен только под одну задачу — складывать и перемножать веса нейронки. Но он делает это супербыстро. Для сравнения:

• скорость очень мощного CPU (AMD Ryzen Threadripper 3990X) — 3 триллиона операций в секунду;
• GPU — 20 триллионов операций в секунду;
• NPU — 480 триллионов операций в секунду.

Нейропроцессоры необязательно должны быть большими: есть и маленькие чипы, которые можно вставить в смартфон. Чаще всего это тензорные процессоры — те, которые рассчитаны на работу с библиотекой машинного обучения TensorFlow CCSLRF, но необязательно. Ещё они могут быть сопроцессорами — дополнительными модулями, которые встроены в основной чип для облегчения вычислений.

Сейчас почти у каждого крупного производителя чипов для телефонов есть свои нейропроцессоры:

• Apple: Apple Bionic с сопроцессором Neural Engine;
• Huawei: Kirin 970 со встроенным NPU (Neural Network Processing Unit);
• Oppo: MariSilicon X;
• Samsung: Exynos 9 Series 9820.

Что делают нейросети в телефонах

Задача нейросетей в телефоне — сделать нашу жизнь проще и удобнее. Для этого нейронки:

• слушают ваш голос в ожидании команды «Алиса»;
• распознают голос и переводят его в текст и наоборот;
• определяют лица и предметы на фотографиях;
• занимаются вычислительной фотографией, чтобы сделать красивое размытие на фотках, поменять фон, исправить дефекты лица, перерисовать освещение, исправить заваленные тени или пересвет;
• помогают нарисовать дополненную реальность;
• переводят с одного языка на другой.

Что дальше

В следующий раз мы посмотрим на нейропроцессоры с точки зрения разработчика — какие бывают, чем различаются, что нужно учесть при работе. Будет сложно, поэтому всё сделаем поэтапно.

Источник: thecode.media

Нейросеть — что это такое и как она работает простыми словами?

Здравствуйте, уважаемые читатели проекта Тюлягин! Сегодня в новой статье мы обсудим, что такое нейросеть и как она работает. Кроме этого из статьи вы поймете для чего вообще нужны нейросети. А также рассмотрим возможности нейросетей на которые они способны и которые они еще не могут делать. Важно понимать, что под нейросетью в данной статье мы будем понимать искусственную нейронную сеть.

• Что такое Нейросеть?
• Как работает Нейросеть?
• Для чего нужны Нейросети и на что они способны?
• Виды нейросетей
• Книги про нейросети
• Лучшие нейросети

Что такое Нейросеть?

Нейросеть — это написанная человеком компьютерная программа, которая функционирует и работает подобно человеческому мозгу. А именно программа пропускает входную информацию в виде данных через систему «нейронов».

Нейроны в данном случае представляют из себя более простые программы, которые взаимодействуют между собой и на выходе преобразуют данные в некоторый результат, на основе этих взаимодействий, опыта и ошибок предыдущих операций программы. То есть другими словами нейросеть — это программа способная к самообучению. Название нейросети происходит из-за похожести на функционирования нервной системы и мозга человека. Так слово «нейрон» происходит от греческого слова «нерв».

Как работает Нейросеть?

Как я уже писал выше нейросеть — это определенная программа, написанная человеком и работающая по принципу нашего с вами мозга. Эта программа состоит из множества других встроенных программ, которые принимают информацию, производят простейшие операции и вычисления и передают данные дальше. У каждой программы или так называемого «нейрона» существует два параметра — это вход и выход. Именно входной и выходной информацией (или сигналами) нейроны взаимодействуют между друг другом. У каждого нейрона есть собственный внутренний алгоритм который воздействует на входной сигнал, трансформирует его и выдает видоизмененный.

Нейроны отвечают за различные функции, например прием, обработку или выдачу данных. Нейроны которые близки по назначению объединяются в слои и уровни. А связи между нейронами по аналогии со строением мозга человека называют синапсами.

В ходе взаимодействий, встроенные в программу «нейроны» выявляют сложные зависимости и связи между входной и выходящей информацией, после чего образовывают некоторое обобщение результатов. Кроме этого искусственные нейронные сети помимо анализа информации также могут воспроизводить и дополнять свой собственные опыт и выводы из предыдущих ошибок.

Для чего нужны Нейросети и на что они способны?

На текущий момент искусственные нейронные сети, созданные людьми, способны решить ряд задач и выполнять действия по сортировке, предсказанию и распознаванию различной информации, событий или объектов:

• определять класс и название объекта по фотографии, находить похожие фото
• разделять большое количество данных или предметов по определенным признакам на группы и классы
• выявлять зависимость одних объектов от других и обобщать их
• прогнозировать различные события, показатели, демографические данные, экономические показатели, котировки акций, прогноз погоды и т.д..
• выявлять и определять целевую аудиторию для проведения маркетинговых компаний
• создавать обучающие алгоритмы в симуляции спортивных соревнований и компьютерных играх
• диагностировать потенциальные болезни в медицине
• используются для анализа платежеспособности людей при выдачи им кредита или ипотеки
• используются поисковыми роботами для выдачи и формирования рекомендованного контента

Также, кроме перечисленных выше вариант использования нейросетей, существуют и другие, не совсем тривиальные — запись музыки и видео.

Помимо этого, важно понимать что искусственные нейронные сети — это не простые алгоритмы, которые выполняют заранее определенные действия в определенный момент. Нейросети — это программы, которые способны обучаться на собственном опыте, ошибках и получаемой информации вокруг. Так они могут обрабатывать большое количество информации, в разных ее видах, в том числе и способны обрабатывать человеческую речь.

Виды нейросетей

Виды нейросетей могут отличаться по способу приема сигнала и данных, так существует нейросети, которые принимают сигналы (или как их также называют синапсами) на только входные нейроны, принимают на все нейроны одновременно, а также на нейроны разных слоев и уровней.

Всего существует большое множество классификаций нейросетей по разным характеристикам:

• нейросети по типу входной информации
• нейросети по способу обучения
• нейросети по способу настройки синапсов
• нейросети по времени передачи сигнала
• нейросети по типу и характеру связи

Книги про нейросети

Ниже перечислен список литературы по нейросетям, часть из них является ознакомительной литературой по нейросетям, а другая часть является серьезной технической литературой для программистов и инженеров нейросетей:

• Нейрокомпьютерная техника: Теория и практика — Ф. Уоссермен
• Нейронные сети — Саймон Хайкин
• Самоорганизующиеся карты — Тойво Кохонен
• Нейросетевые модели и алгоритмы. Справочник — Дмитрий Тархов
• Make Your Own Neural Network — Tariq Rashid
• A Brief Introduction to Neural Networks — David Kriesel
• An Introduction to Statistical Learning — Gareth James
• Programming Collective Intelligence — Toby Segaran
• Neural Networks: A Systematic Introduction — Raul Rojas
• Deep Learning: Methods and Applications — Li Deng Dong Yu

Лучшие нейросети

Также в заключении хотел бы вам представить ряд известных и малоизвестных сервисов, работающих с ипсользованием технологии нейросетей:

• FaceApp
• Deep Dream
• FaceHero
• http://What-Dog.net
• Algorithmia
• Murphy
• FastText
• http://How-Old.net
• Prisma
• The Emojini 3000
• Deep Photo Style Transfer
• Face Recognition
• Magneta
• Sonnet
• deeplearn.js
• Fast Style Transfer in TensorFlow
• Pysc2
• http://aiportraits.com
• http://thispersondoesnotexist.com
• #isitnude

А на этом сегодня все про нейросети, добавляйте статью и сайт в закладки! Если у вас остались вопросы или комментарии, то пишите их ниже. До новых встреч на страницах проекта Тюлягин!

Источник: tyulyagin.ru

Нейросети для чайников. Начало

Так получилось, что в университете тема нейросетей успешно прошла мимо моей специальности, несмотря на огромный интерес с моей стороны. Попытки самообразования несколько раз разбивались невежественным челом о несокрушимые стены цитадели науки в облике непонятных «с наскока» терминов и путанных объяснений сухим языком вузовских учебников.

В данной статье (цикле статей?) я попытаюсь осветить тему нейросетей с точки зрения человека непосвященного, простым языком, на простых примерах, раскладывая все по полочкам, а не «массив нейронов образует перцептрон, работающий по известной, зарекомендовавшей себя схеме».

Заинтересовавшихся прошу под кат.

Цели

Для чего же нужны нейросети?
Нейросеть – это обучаемая система. Она действует не только в соответствии с заданным алгоритмом и формулами, но и на основании прошлого опыта. Этакий ребенок, который с каждым разом складывает пазл, делая все меньше ошибок.

И, как принято писать у модных авторов – нейросеть состоит из нейронов.
Тут нужно сделать остановку и разобраться.

Договоримся, что нейрон – это просто некая воображаемая чёрная коробка, у которой кучка входных отверстий и одно выходное.
Причем как входящая, так и исходящая информация может быть аналоговой (чаще всего так и будет).

Как выходной сигнал формируется из кучи входных – определяет внутренний алгоритм нейрона.

Для примера напишем небольшую программу, которая будет распознавать простые изображения, скажем, буквы русского языка на растровых изображениях.
Условимся, что в исходном состоянии наша система будет иметь «пустую» память, т.е. этакий новорожденный мозг, готовый к бою.
Для того чтобы заставить его корректно работать, нам нужно будет потратить время на обучение.

Уворачиваясь от летящих в меня помидоров, скажу, что писать будем на Delphi (на момент написания статьи была под рукой). Если возникнет необходимость – помогу перевести пример на другие языки.

Также прошу легкомысленно отнестись к качеству кода – программа писалась за час, просто чтобы разобраться с темой, для серьезных задач такой код вряд ли применим.

Итак, исходя из поставленной задачи — сколько вариантов выхода может быть? Правильно, столько, сколько букв мы будем уметь определять. В алфавите их пока только 33, на том и остановимся.

Далее, определимся со входными данными.Чтобы слишком не заморачиватсья – будем подавать на вход битовый массив 30х30 в виде растрового изображения:

В итоге – нужно создать 33 нейрона, у каждого из которых будет 30х30=900 входов.
Создадим класс для нашего нейрона:

type Neuron = class name: string; // Тут название нейрона – буква, с которой он ассоциируется input: array[0..29,0..29] of integer; // Тут входной массив 30х30 output:integer; // Сюда он будет говорить, что решил memory:array[0..29,0..29] of integer; // Тут он будет хранить опыт о предыдущем опыте end;

Создадим массив нейронов, по количеству букв:

For i:=0 to 32 do begin neuro_web[i]:=Neuron.Create; neuro_web[i].output:=0; // Пусть пока молчит neuro_web[i].name:=chr(Ord(‘A’)+i); // Буквы от А до Я end;

Теперь вопрос – где мы будем хранить «память» нейросети, когда программа не работает?
Чтобы не углубляться в INI или, не дай бог, базы данных, я решил хранить их в тех же растровых изображениях 30х30.
Вот например, память нейрона «К» после прогона программы по разным шрифтам:

Как видно, самые насыщенные области соответствуют наиболее часто встречаемым пикселям.
Будем загружать «память» в каждый нейрон при его создании:

p:=TBitmap.Create; p.LoadFromFile(ExtractFilePath(Application.ExeName)+’res’+ neuro_web[i].name+’.bmp’)

В начале работы необученной программы, память каждого нейрона будет белым пятном 30х30.

Распознавать нейрон будет так:

— Берем 1й пиксель
— Сравниваем его с 1м пикселем в памяти (там лежит значение 0..255)
— Сравниваем разницу с неким порогом
— Если разница меньше порога – считаем, что в данной точке буква похожа на лежащую в памяти, добавляем +1 к весу нейрона.

И так по всем пикселям.

Вес нейрона – это некоторое число (в теории до 900), которое определяется степенью сходства обработанной информации с хранимой в памяти.
В конце распознавания у нас будет набор нейронов, каждый из которых считает, что он прав на сколько-то процентов. Эти проценты – и есть вес нейрона. Чем больше вес, тем вероятнее, что именно этот нейрон прав.

Теперь будем скармливать программе произвольное изображение и пробегать каждым нейроном по нему:

for x:=0 to 29 do for y:=0 to 29 do begin n:=neuro_web[i].memory[x,y]; m:=neuro_web[i].input[x,y]; if ((abs(m-n)<120)) then // Порог разницы цвета if m<250 then neuro_web[i].weight:=neuro_web[i].weight+1; // Кроме того, не будем учитывать белые пиксели, чтобы не получать лишних баллов в весах if m<>0 then begin if m0 then if m

Как только закончится цикл для последнего нейрона – будем выбирать из всех тот, у которого вес больше:

if neuro_web[i].weight>max then begin max:=neuro_web[i].weight; max_n:=i; end;

Именно по вот этому значению max_n, программа и скажет нам, что, по её мнению, мы ей подсунули.
По началу это будет не всегда верно, поэтому нужно сделать алгоритм обучения.

s:=InputBox(‘Enter the letter’, ‘программа считает, что это буква ’+neuro_web[max_n].name, neuro_web[max_n].name); for i:=0 to 32 do begin //Пробегаем по нейронам if neuro_web[i].name=s then begin //В нужном нейроне обновляем память for x:=0 to 29 do begin for y:=0 to 29 do begin p.Canvas.Pixels[x,y]:=RGB(neuro_web[i].memory[x,y],neuro_web[i].memory[x,y], neuro_web[i].memory[x,y]); //Записываем новое значение пикселя памяти end; end; p.SaveToFile(ExtractFilePath(Application.ExeName)+’res’+ neuro_web[i].name+’.bmp’);

Само обновление памяти будем делать так:

n:=round(n+(n+m)/2);

Т.е. если данная точка в памяти нейрона отсутствует, но учитель говорит, что она есть в этой букве – мы её запоминаем, но не полностью, а только наполовину. С дальнейшим обучением, степень влияния данного урока будет увеличиваться.

Вот несколько итераций для буквы Г:

На этом наша программа готова.

Обучение

Начнем обучение.
Открываем изображения букв и терпеливо указываем программе на её ошибки:

Через некоторое время программа начнет стабильно определять даже не знакомые ей ранее буквы:

Программа представляет собой один сплошной недостаток – наша нейросеть очень глупа, она не защищена от ошибок пользователя при обучении и алгоритмы распознавания просты как палка.
Зато она дает базовые знания о функционировании нейросетей.

Если данная статья заинтересует уважаемых хабравчан, то я продолжу цикл, постепенно усложняя систему, вводя дополнительные связи и веса, рассмотрю какую-нибудь из популярных архитектур нейросетей и т.д.

Поиздеваться над нашим свежерожденный интеллектом вы можете, скачав программу вместе с исходниками тут.

За сим откланяюсь, спасибо за чтение.

UPD: У нас получилась заготовка для нейросети. Пока что это ещё ей не является, но в следующей статье мы постараемся сделать из неё полноценную нейросеть.
Спасибо Shultc за замечание.

• нейронные сети
• нейрон
• программирование

• Программирование
• Алгоритмы

Источник: habr.com

Нейрон-Спектр-БОС

программа и оборудование для проведения тренингов с биологической обратной связью

• программа совместима со всеми энцефалографами серии «Нейрон-Спектр»
• тренинги по параметрам ЭЭГ, ЧСС, ЭМГ, частоте дыхания, КГР, SрО2, температуре
• двухканальная и многоканальная регистрация ЭЭГ
• индивидуальные сеансы тренинга
• контроль успешности обучения

Включено в единый реестр ПО

Нейрон-Спектр-БОС

Обзор Комплектация

Запросить КП

Обзор

Программа «Нейрон-Спектр.NET» может быть использована для проведения тренингов по различным протоколам биологической обратной связи (БОС). Пользователь может применять традиционные протоколы обучения или создавать собственные. Как параметры для тренинга могут быть использованы индексы ЭЭГ-ритмов, ЧСС, частота дыхания. В качестве обратной связи пациенту предоставляется видео-, аудио- и игровая информация.

Создание индивидуального сценария тренинга дает возможность проводить сеанс в полуавтоматическом режиме.

Программа позволяет контролировать успешность обучения в режиме реального времени, а также менять параметры тренинга по каждому условию, не прерывая сеанса.

По окончании тренинга программа формирует протокол обследования, который можно просматривать параллельно с записью физиологического сигнала. Получившийся протокол можно отредактировать и распечатать, а электронную версию — сохранить в базе данных программы.

Все сеансы тренингов пациента можно сохранить в базе данных программы. Впоследствии можно без труда найти карточку нужного пациента, посмотреть историю сеансов, провести анализ динамики успешности обучения.

Комплектация

Мы подобрали усредненный типовой комплект аксессуаров для работы прибора. Вы можете скорректировать его в зависимости от ваших задач и потребностей — наши специалисты с удовольствием помогут вам в этом.

Установочный комплект программы для ЭВМ «Нейрон-Спектр.NET»	1 шт.
Лицензия на использование программы для ЭВМ «Нейрон-Спектр.NET» с дополнительным программным модулем «Нейрон-Спектр.NET/БОС»	1 шт.
Оборудование «Нейрон-Спектр-БОС» для проведения тренингов с биологической обратной связью	1 шт.
Электрод ВП чашечковый с кабелем отведения «ЭВП» , 8 шт.	1 шт.
Датчик индукционный экскурсии грудной клетки и брюшной стенки «ДДИ-1-22», для проводных полисомнографов, 2,2 м	1 шт.
Электрод одноразовый для ЭКГ F9049	100 шт.
Кабель для подключения одноразовых электродов с коннектором «аллигатор», touch-proof, белый, 1 м	1 шт.
Кабель для подключения одноразовых электродов с коннектором «аллигатор», touch-proof, зеленый, 1 м	1 шт.

Кабель для подключения одноразовых электродов с коннектором «аллигатор», touch-proof, красный, 1 м	1 шт.
Кабель для подключения одноразовых электродов с коннектором «аллигатор», touch-proof, черный, 1 м	1 шт.
Кабель для подключения одноразовых электродов с коннектором «аллигатор», touch-proof, желтый, 1 м	1 шт.
Кабель для подключения одноразовых электродов с коннектором «аллигатор», touch-proof, синий, 1 м	1 шт.
Жидкость электродная контактная высокопроводящая «Униспрей»	1 шт.
Паста электродная контактная высокопроводящая адгезивная для ЭЭГ и ЭМГ исследований «Унипаста»	1 шт.
Средство перевязочное и фиксирующее «Транспор»	1 шт.
Комплект упаковочной тары	1 шт.

Источник: neurosoft.com