Запуск глибоких нейронних мереж на біткойнах

Впровадити в ланцюжку рукописний класифікатор цифр

Ця публікація була вперше опублікована на Середній.

Ми реалізували глибоку нейронну мережу для класифікації рукописних цифр. Уже навчена модель працює повністю в мережі. Він навчається в автономному режимі за допомогою Набір даних MNIST рукописних цифр. Модель робить зображення розміром 28×28 пікселів у градаціях сірого та виводить цифру від 0 до 9.

Вступ до глибоких нейронних мереж

Штучна нейронна мережа — це конструкція, натхненна біологічними нейронними мережами. Мережа вчиться, відкриваючи велику кількість позначених прикладів даних. Цей процес також називають навчання під наглядом.

Мережа складається з кількох компонентів: нейронів/вузлів, з’єднань, зміщень і функцій активації. Ці компоненти послідовно групуються в шари. Перший шар називається «вхідний шар,де дані передаються в мережу, а останній —вихідний шар,», за допомогою якого мережа повертає свій вихід. Дуже проста нейронна мережа містить лише ці два шари. Щоб підвищити продуктивність, ми можемо додати один або кілька “приховані шари» між ними. Мережі з прихованими шарами називаютьсяглибокі нейронні мережі” (DNN).

Ілюстрація глибокої нейронної мережі

Кожне з’єднання між нейронами в мережі має певне значення. Кожен нейрон також має значення, яке називається “упередженість”, який додається до суми його вхідних даних. Навчання — це процес знаходження набору цих ваг і зміщень, щоб мережа повертала значущий результат за певних вхідних даних.

Щоб отримати гарне інтуїтивне уявлення про те, як глибокі нейронні мережі працюють під капотом, ми рекомендуємо переглянути короткий відеоряд по темі.

Архітектура мережі

DNN для рукописних цифр MNIST складається з вхідного рівня з 784 (28 x 28) вузлів, прихованого рівня з 64 вузлів і вихідного рівня з 10 вузлів. вузлів (кількість можливих класів/цифр). Шари всі повністю підключенийзавдяки чому мережа містить 501760 (784 * 64 * 10) підключень.

Вузли в прихованому шарі використовують Функція активації ReLU. Аргмакс використовується на вихідних вузлах, щоб отримати правильне значення, тобто цифру класифікації.

Навчіть модель

DNN навчається за допомогою Керас. З нашими окресленими архітектура мережі та за допомогою Оптимізатор RMSprop для навчання модель здатна досягти 98 % точності класифікації після 50 епох.

Після того, як модель навчена, ваги та зміщення необхідно експортувати у формат, який ми можемо використовувати в смарт-контракті sCrypt. З міркувань продуктивності ми закодувати ці значення в байтівні масиви.

Реалізація

Ми реалізували DNN вище, подібно до одношарова нейронна мережа (він же персептрон), який ми реалізували раніше. The повний код можна знайти на GitHub.

Функція передбачити() приймає початкові значення вхідного шару. У нашому випадку це серіалізовані значення рукописного зображення. Він повертає ціле число, яке представляє результат класифікації, тобто число на зображенні.

Оскільки sCrypt не підтримує власні числа з плаваючою комою, ми використовуємо представлення з фіксованою точкою простим масштабуванням значень на 10⁸. Наприклад, 0,86758491 стає цілим числом 86758491. При множенні двох значень ми масштабуємо результат, тобто ділимо його на 10⁸.

Потенційні випадки використання

Подібні DNN можна використовувати різними способами в розумному контракті. Наприклад, ви можете навчити модель розпізнавати, чи містить зображення хот-дог з певною точністю. Користувачів заохочують шукати в Інтернеті такі фотографії та автоматично отримувати мікроплатежі в біткойнах за їх надсилання. Ці фотографії можна зібрати, щоб навчити модель і підвищити її точність.

Дивіться: презентацію Xiaohui Liu від sCrypt на BSV Global Blockchain Convention, Smart Contracts and Computation on BSV

width=”562″ height=”315″ frameborder=”0″ allowfullscreen=”allowfullscreen”>

Не знайомі з біткойнами? Перегляньте CoinGeek Bitcoin для початківців найкращий путівник із ресурсами, щоб дізнатися більше про біткойн (як його спочатку задумував Сатоші Накамото) та блокчейн.