EmojiIntelligence
1.0.0
Você quer ensinar emojis da sua máquina? ?
Eu criei uma rede neural inteiramente em Swift. Esta é uma demonstração para demonstrar o que é possível resolver.
Eu usei o playground no macOS.
Eu acredito em código aberto, acho que para levar a humanidade para a frente, você deve abrir o código -fonte todas as coisas o//
Você pode assistir ao vídeo do YouTube aqui
Usei esse desafio para aprender mais sobre redes neurais e aprendizado de máquina. Uma rede neural consiste em camadas e cada camada possui neurônios. Minha rede possui três camadas: uma camada de entrada, uma camada oculta e uma camada de saída.
A entrada para minha rede possui 64 números binários. Essas entradas são conectadas aos neurônios na camada oculta. A camada oculta executa algum computação e passa o resultado para o neurônio da camada de saída. Isso também executa um cálculo e, em seguida, produz um 0 ou 1. A camada de entrada não faz nada, eles são apenas espaços reservados para o valor de entrada. Somente os neurônios na camada oculta e a camada de saída executam cálculos. Os neurônios da camada de entrada são conectados aos neurônios na camada oculta. Da mesma forma, ambos os neurônios da camada oculta estão conectados à camada de saída. Esses tipos de camadas são chamados totalmente conectados porque todo neurônio está conectado a todos os neurônios da próxima camada. Cada conexão entre dois neurônios tem um peso, o que é apenas um número. Esses pesos formam o cérebro da minha rede. Para a função de ativação na minha rede, eu uso a função sigmóide.
O sigmóide é uma função matemática. O sigmóide pega algum número X e o converte em um valor entre 0 e 1. Isso é ideal para meus propósitos, pois estou lidando com números binários. Isso transformará uma equação linear em algo que não é linear. Isso é importante porque, sem isso, a rede não seria capaz de aprender coisas interessantes.
Eu já mencionei que a entrada para esta rede são 64 números binários. Eu redimensionei a imagem desenhada para 8x8 pixels, o que faz juntos 64 pixels. Passo pela imagem e verifico cada pixel se o pixel tiver uma cor rosa, adiciono um 1 à minha matriz, caso contrário, adiciono um 0. No final, terei 64 números binários que posso adicionar à minha camada de entrada.
Meu principal objetivo era tornar a rede neural e o aprendizado de máquina mais acessível e divertido. Além disso, para aprender mais sobre as características poderosas dos playgrounds e redes neurais.
@reffas_bilal
Vincent Esche
Per Harald Borgen
Matthijs Hollemans
Se você gosta deste projeto, deixe uma estrela? Aqui no Github e compartilhe.
Estou trabalhando com @Leomehlig em Luubra. Você encontrará mais sobre isso aqui
Todas as peças são artesanais com muito amor ❤️ e enviadas em todo o mundo?
Atualmente, este projeto está trabalhando apenas no macOS. Há um bug no iPad que eu já enviei o problema no repórter de bug. Espero que a Apple conserte isso em breve.
MIT License
Copyright (c) 2017 Luubra
Permission is hereby granted, free of charge, to any person obtaining a copy
of this software and associated documentation files (the "Software"), to deal
in the Software without restriction, including without limitation the rights
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
copies of the Software, and to permit persons to whom the Software is
furnished to do so, subject to the following conditions:
The above copyright notice and this permission notice shall be included in all
copies or substantial portions of the Software.
THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
SOFTWARE.
