Нейросети: Глубокое обучение и искусственный интеллект

Нейросети – слово, которое мы слышим все чаще. Но что же это такое на самом деле? Кажется, будто это что-то из будущего, где роботы захватывают планету. Но на самом деле, искусственные нейронные сети уже давно стали частью нашей жизни. Давайте разберемся, как они работают, и почему это так важно.

Содержание показать

Откуда все началось: история нейросетей

Идея создания искусственного интеллекта, способного имитировать работу человеческого мозга, волновала ученых еще в середине XX века.

1943 год: Уоррен Мак-Каллок и Уолтер Питтс представили первую математическую модель нейрона – базовой единицы нейросети.
1950-е – 1960-е: Появились первые нейросетевые модели, например, персептрон, но они были ограничены в возможностях.
1980-е – 1990-е: Интерес к нейросетям возродился с появлением алгоритма обратного распространения ошибки (backpropagation).
2010-е – настоящее время: Революция глубокого обучения (deep learning) привела к беспрецедентным результатам в самых разных областях.

Как работают нейросети: простыми словами

Представьте, что вы учите щенка различать кошек и собак. Сначала он не понимает, но со временем, после показа сотен картинок, он начинает различать их самостоятельно. Нейросеть работает примерно так же: она анализирует огромные объемы данных и учится выявлять закономерности.

Итак, что же такое нейросеть?
Простыми словами, это компьютерная программа, которая имитирует работу человеческого мозга, но делает это в разы быстрее.

Основные принципы работы:

Данные: Мы загружаем в нейросеть огромное количество данных: картинки, тексты, звуки.
Обучение: Нейросеть анализирует данные, ищет закономерности и пытается их «понять».
Результат: После обучения она может решать различные задачи: распознавать лица, переводить тексты, сочинять музыку, создавать картины и многое другое.

Архитектура нейросетей: что у них внутри?

Если заглянуть внутрь нейросети, мы увидим следующее:

Нейрон: Базовая единица, как клетка в человеческом мозге. Каждый нейрон получает сигналы, обрабатывает их и передает дальше.
Связи (синапсы): Нейроны связаны между собой. Каждая связь имеет вес, определяющий силу влияния.
Слои: Нейроны объединены в слои: входной слой получает данные, скрытые слои их обрабатывают, а выходной слой выдает результат.
Функция активации: Определяет, будет ли нейрон активен или нет.
Алгоритмы обучения: Это правила, по которым нейросеть учится, меняя веса связей.

Типы нейросетей: от простых до сложных

Существует множество типов нейросетей, каждый из которых заточен под определенные задачи. Давайте рассмотрим наиболее распространенные из них, от простых до более сложных, с конкретными примерами.

Полносвязные нейронные сети (MLP)

Полносвязные нейронные сети (MLP), также известные как многослойные персептроны, являются самым простым типом нейросетей. В MLP каждый нейрон одного слоя связан со всеми нейронами соседнего слоя. Это означает, что информация может передаваться от каждого нейрона предыдущего слоя ко всем нейронам следующего слоя. MLP хорошо подходят для задач, где данные имеют простую структуру и нет необходимости учитывать временные зависимости.

Примеры применения:
- Классификация изображений: Например, распознавание рукописных цифр на основе набора пикселей (хотя сверточные сети обычно работают лучше).
- Классификация текста: Например, определение тональности отзыва (положительный, отрицательный или нейтральный) на основе набора слов.
- Прогнозирование: Например, прогнозирование цен на акции на основе исторических данных, хотя рекуррентные сети лучше подходят для этого.
Сверточные нейронные сети (CNN)

Сверточные нейронные сети (CNN) – это особый тип нейросетей, который великолепно справляется с задачами компьютерного зрения и распознавания образов. Они используют специальные алгоритмы, называемые свертками, для выделения ключевых особенностей на изображениях, например, границ, углов, форм и текстур. CNN также обладают свойствами инвариантности к сдвигам, масштабированию и поворотам, что делает их очень мощными инструментами для анализа изображений.

Примеры применения:
- Распознавание лиц: Например, системы распознавания лиц в смартфонах и системах безопасности.
- Обнаружение объектов: Например, системы обнаружения объектов на дорогах для беспилотных автомобилей.
- Медицинская диагностика: Например, анализ рентгеновских снимков для выявления заболеваний.
- Анализ изображений: Например, определение типов растений по фотографиям или анализ спутниковых снимков.
Сверточные нейронные сети (CNN) успешно применяются в задачах компьютерного зрения, как продемонстрировано в работе Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105).
Рекуррентные нейронные сети (RNN)

Рекуррентные нейронные сети (RNN) идеально подходят для работы с последовательными данными, такими как текст, речь или временные ряды. RNN имеют внутреннюю память, которая позволяет им учитывать контекст предыдущих элементов последовательности. Благодаря этому они могут «запоминать» информацию и использовать ее для анализа текущего элемента.

Примеры применения:
- Обработка естественного языка: Например, перевод текста с одного языка на другой, создание чат-ботов, анализ тональности текста.
- Распознавание речи: Например, преобразование голосового ввода в текст.
- Анализ временных рядов: Например, прогнозирование цен на акции, погодных условий или трафика.
- Генерация текста: Например, создание стихов, сценариев или статей.
Трансформеры

Трансформеры — это относительно новый тип нейросетей, который произвел революцию в области обработки естественного языка. Они используют механизм внимания (attention), позволяющий учитывать взаимосвязи между словами в предложении, даже если они находятся далеко друг от друга. Трансформеры не имеют рекуррентных связей, что позволяет им обрабатывать длинные последовательности параллельно, что существенно ускоряет процесс обучения.

Примеры применения:
- Машинный перевод: Например, Google Translate и другие сервисы онлайн-перевода.
- Генерация текста: Например, GPT-3 и другие модели генерации текста.
- Суммаризация текста: Например, создание кратких изложений длинных статей или документов.
- Ответы на вопросы: Например, поисковые системы и чат-боты, способные отвечать на сложные вопросы.
Генеративно-состязательные сети (GAN)

Генеративно-состязательные сети (GAN) – это уникальный тип нейросетей, состоящий из двух частей: генератора и дискриминатора. Генератор создает новые данные, а дискриминатор оценивает их реалистичность. Эти две сети обучаются в состязательном режиме, что позволяет GAN генерировать очень качественные и реалистичные данные.

Примеры применения:
- Генерация изображений: Например, создание реалистичных портретов людей, которых не существует в реальности, или создание фейковых видео.
- Генерация музыки: Например, создание музыки в различных жанрах, имитируя стили разных композиторов.
- Генерация текста: Например, создание реалистичных текстов, похожих на написанные людьми.
- Улучшение качества изображений: Например, увеличение разрешения старых или некачественных изображений.
Концепция генеративных состязательных сетей (GAN) была представлена в работе Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … & Bengio, Y. (2014). Generative adversarial nets. In Advances in neural information processing systems (pp. 2672-2680).

Как работают нейросети: алгоритмы обучения и их особенности

Обучение нейросети – это своего рода «настройка» её внутренних механизмов. Она происходит путем изменения весов связей между нейронами с использованием алгоритмов обучения. Это как обучать ребенка – вы показываете ему примеры, и он постепенно учится делать правильные выводы. Только в случае с искусственными нейронными сетями это происходит гораздо быстрее и в больших масштабах.

Основные подходы к обучению:

Обучение нейросети – это процесс настройки ее внутренних параметров, чтобы она могла решать поставленные задачи. Существует несколько основных подходов к обучению, каждый из которых имеет свои особенности и области применения. Давайте рассмотрим их подробнее:

Обучение с учителем (Supervised learning)

Обучение с учителем – это наиболее распространенный подход к обучению нейросетей. В этом случае нейросети предоставляются данные, для которых известны правильные ответы (метки). Нейросеть учится сопоставлять входные данные с правильными ответами, корректируя свои внутренние параметры (веса связей) в процессе обучения. Целью является минимизация ошибки между предсказаниями нейросети и правильными ответами.

Примеры:
- Классификация изображений: Например, обучение нейросети для распознавания изображений кошек и собак. Нейросети предоставляются фотографии кошек и собак, каждой из которых соответствует метка («кошка» или «собака»).
- Распознавание речи: Например, обучение нейросети для преобразования аудиозаписи речи в текст. Нейросети предоставляются аудиозаписи и соответствующие им текстовые транскрипции.
- Прогнозирование: Например, обучение нейросети для прогнозирования цен на акции на основе исторических данных. Нейросети предоставляются исторические данные о ценах акций и соответствующие будущие значения.
Обучение без учителя (Unsupervised learning)

Обучение без учителя – это подход к обучению нейросетей, при котором нейросети предоставляются только данные без каких-либо меток или правильных ответов. В этом случае нейросеть самостоятельно ищет закономерности, структуру или скрытые связи в данных. Целью является выявление структуры данных и их группировка по схожим признакам.

Примеры:
- Кластеризация данных: Например, группировка клиентов на основе их покупательского поведения. Нейросети предоставляются данные о покупках клиентов, и она самостоятельно выделяет группы клиентов со схожими характеристиками.
- Уменьшение размерности данных: Например, сжатие изображений или текстовых документов для уменьшения их размера и сохранения при этом основных признаков.
- Аномальное обнаружение: Например, выявление необычных или подозрительных транзакций в банковской системе на основе анализа прошлых операций.
Этот метод часто используется для задач кластеризации, снижения размерности данных и поиска аномалий.
Обучение с подкреплением (Reinforcement learning)

Обучение с подкреплением – это подход, при котором нейросеть учится, взаимодействуя с окружающей средой. Нейросеть выполняет определенные действия и получает за них вознаграждение или штраф в зависимости от их результата. Целью является максимизация суммарного вознаграждения, которое получает нейросеть. Это похоже на обучение животного: когда оно делает что-то правильно, его поощряют, а когда ошибается — наказывают.

Примеры:
- Игры: Например, обучение нейросети для игры в шахматы или го. Нейросеть играет против самой себя или против других игроков и получает вознаграждение за победу.
- Управление роботами: Например, обучение робота для выполнения определенной задачи, например, перемещения по лабиринту. Робот получает вознаграждение за достижение цели и штраф за ошибки.
- Оптимизация систем: Например, оптимизация системы управления трафиком. Нейросеть принимает решения о переключении светофоров и получает вознаграждение за уменьшение пробок.
Этот метод часто используется для решения задач, связанных с принятием решений в динамической среде.

Что такое генеративные нейросети и как они создают искусство?

Генеративные нейросети — это особый класс нейросетей, которые не просто анализируют существующие данные, но и создают новые, оригинальные данные, имитирующие те, на которых они были обучены. Они способны генерировать изображения, музыку, текст и даже видео, открывая невероятные возможности для творчества и инноваций. Но как же им удается создавать нечто «из ничего»?

Ключевая идея: состязание двух сетей

Секрет генеративных нейросетей заключается в уникальной архитектуре, часто основанной на принципе состязания двух нейронных сетей: генератора и дискриминатора. Представьте себе художника (генератор) и критика (дискриминатор). Художник создает произведения искусства, а критик оценивает их, пытаясь отличить подлинники от подделок.

Генератор: Его задача — создавать новые данные, например, изображения. На начальном этапе обучения генератор создает случайный шум, который постепенно преобразуется в нечто похожее на изображение.
Дискриминатор: Его задача — отличать реальные изображения (из обучающего набора данных) от изображений, сгенерированных генератором. Он как бы «тренирует свой глаз», чтобы распознавать подделки.

Эти две сети обучаются одновременно, в процессе постоянного состязания. Генератор старается создавать все более реалистичные изображения, чтобы обмануть дискриминатор, а дискриминатор, в свою очередь, учится все лучше распознавать подделки. Этот процесс повторяется множество раз, и с каждой итерацией обе сети становятся все более совершенными.

Различные типы генеративных нейросетей

Существует несколько типов генеративных нейросетей, каждый со своими особенностями:

Генеративно-состязательные сети (GAN): Это наиболее известный тип, использующий описанный выше принцип состязания генератора и дискриминатора. GAN способны генерировать очень реалистичные изображения, видео и аудио.
Вариационные автокодировщики (VAE): VAE обучаются кодировать входные данные в компактное представление (латентное пространство) и затем декодировать их обратно. Это позволяет генерировать новые данные, изменяя значения в латентном пространстве.
Авторегрессионные модели (например, PixelCNN): Эти модели генерируют данные попиксельно или последовательно, предсказывая значение следующего пикселя или элемента на основе предыдущих.

Как генеративные нейросети создают искусство?

Генеративные нейросети могут создавать различные виды искусства:

Изображения: От реалистичных портретов несуществующих людей до абстрактных картин и сюрреалистических пейзажей. Нейросети могут имитировать стили разных художников или создавать совершенно новые.
Музыка: Генерация музыки в разных жанрах, от классики до электронной музыки. Нейросети могут создавать мелодии, гармонии и даже целые музыкальные произведения.
Текст: Написание стихов, рассказов, сценариев и даже новостных статей. Нейросети могут имитировать стили разных писателей или создавать совершенно новые тексты.
Видео: Создание анимации, коротких фильмов и даже спецэффектов. Нейросети могут генерировать реалистичные движения и создавать сложные визуальные эффекты.

Примеры применения в искусстве:

Artbreeder: Популярный онлайн-инструмент, который позволяет пользователям создавать и модифицировать изображения с помощью GAN.
Jukebox (OpenAI): Модель, способная генерировать музыку в разных стилях и с вокалом.
Deep Dream Generator: Онлайн-сервис, который использует нейросети для создания сюрреалистических и абстрактных изображений.
Runway ML: Платформа, предоставляющая доступ к различным инструментам для создания искусства с помощью нейросетей.

Генеративные нейросети — это мощный инструмент для творчества, который открывает новые горизонты для художников, музыкантов, писателей и всех, кто интересуется искусством. Они позволяют создавать произведения, которые были бы невозможны без использования этих технологий, и расширяют границы того, что мы считаем искусством.

Концепция генеративных состязательных сетей (GAN) была представлена в работе Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … & Bengio, Y. (2014). Generative adversarial nets. In Advances in neural information processing systems (pp. 2672-2680).

Применение нейросетей в медицине, финансах, транспорте и других областях

Нейросети проникли во все сферы нашей жизни. Они помогают автоматизировать рутинные задачи, находить решения сложных проблем и делать нашу жизнь проще и интереснее. Давайте посмотрим на конкретные примеры, которые демонстрируют их мощь и потенциал:

Медицина

В медицине нейросети помогают врачам диагностировать болезни на ранних стадиях, разрабатывать новые лекарства и создавать персонализированные планы лечения. Например, они могут анализировать медицинские изображения, такие как рентгеновские снимки, МРТ и КТ, с высокой точностью, что позволяет выявлять опухоли и другие патологии на ранних этапах. Кроме того, нейросети ускоряют процесс поиска новых лекарств, анализируя огромные базы данных биологической информации.

Примеры применения:
- Диагностика заболеваний: Анализ медицинских изображений, ЭКГ, ЭЭГ и других данных для выявления болезней.
- Разработка лекарств: Поиск новых лекарств и разработка индивидуальных планов лечения.
- Персонализированная медицина: Разработка индивидуальных планов лечения, учитывая генетические особенности и другие факторы.
Финансы

В финансовой сфере нейросети помогают прогнозировать финансовые рынки, оценивать кредитоспособность заемщиков и обнаруживать мошеннические операции. Они анализируют большие массивы данных, чтобы предсказывать колебания курсов валют, акций и других финансовых инструментов. Также нейросети помогают банкам принимать более взвешенные решения при выдаче кредитов и обнаруживать подозрительные транзакции.

Примеры применения:
- Прогнозирование финансовых рынков: Анализ данных для предсказания колебаний курсов валют и акций.
- Кредитный скоринг: Оценка кредитоспособности заемщиков для банков.
- Обнаружение мошенничества: Выявление подозрительных транзакций для защиты от мошеннических действий.
Транспорт

В транспортной отрасли нейросети являются основой для систем управления беспилотными автомобилями, помогают оптимизировать движение транспорта и прогнозировать спрос на транспорт. Беспилотные автомобили используют сложные системы нейросетей для распознавания дорожных знаков, пешеходов и других транспортных средств, что позволяет им безопасно перемещаться по дорогам. Также нейросети помогают транспортным компаниям планировать маршруты и расписания, учитывая текущую ситуацию на дорогах.

Примеры применения:
- Беспилотные автомобили: Системы управления автономными транспортными средствами.
- Управление трафиком: Оптимизация движения транспорта для уменьшения пробок и повышения безопасности.
- Прогнозирование спроса: Планирование маршрутов и расписаний для транспортных компаний.
Обработка естественного языка (NLP)

В области обработки естественного языка нейросети используются для перевода текстов, создания чат-ботов, анализа тональности текста и генерации контента. Они позволяют машинам понимать и обрабатывать человеческий язык, что открывает множество возможностей для автоматизации и улучшения коммуникации.

Примеры применения:
- Машинный перевод: Перевод текстов с одного языка на другой с высокой точностью.
- Чат-боты: Виртуальные помощники, которые могут отвечать на вопросы пользователей и предоставлять информацию.
- Анализ тональности: Определение эмоциональной окраски текста, например, для анализа отзывов клиентов.
- Генерация текста: Создание статей, стихов, сценариев и других видов контента.
Кстати, вы можете протестировать одну из таких нейросетей прямо сейчас! В верхнем правом углу этого сайта есть пример чат-бота на основе нейросети, с помощью которого вы можете задавать вопросы и получать ответы.
Компьютерное зрение

В области компьютерного зрения нейросети используются для распознавания изображений и объектов на видео, что важно для систем видеонаблюдения, автономных автомобилей и других приложений. Они позволяют компьютерам «видеть» и «понимать» окружающий мир, что открывает возможности для создания интеллектуальных систем и устройств.

Примеры применения:
- Распознавание изображений: Идентификация объектов на изображениях, лиц людей и т.д.
- Обнаружение объектов: Нахождение объектов на видео, например, для систем видеонаблюдения.
- Анализ медицинских изображений: Помощь врачам в диагностике заболеваний.

Чем нейросети и чат-боты могут быть полезны именно вам?

Нейросети и чат-боты — это не просто технологии из будущего, это инструменты, которые уже сегодня могут помочь вам в повседневной жизни и работе. Давайте посмотрим, как именно они могут быть полезны различным группам пользователей:

Для учителей

Нейросети и чат-боты могут стать незаменимыми помощниками для учителей, помогая им:

Создавать учебные материалы: Генерировать тексты для упражнений, тестов и заданий, адаптированных к разным уровням сложности.
Персонализировать обучение: Адаптировать учебные материалы к индивидуальным потребностям каждого ученика, предлагая дополнительные задания для тех, кому это необходимо.
Автоматизировать проверку работ: Проверять грамматические ошибки, синтаксис и даже эссе, экономя время на рутинные задачи.
Находить идеи для уроков: Получать вдохновение и находить новые идеи для уроков и проектов.
Отвечать на вопросы учеников: Чат-боты могут помогать отвечать на частые вопросы учеников, разгружая преподавателя

Для веб-мастеров

Веб-мастера могут использовать нейросети и чат-боты для:

Создания контента: Генерировать тексты для сайта, описания продуктов, рекламные материалы и другие виды контента.
Оптимизации SEO: Находить ключевые слова и фразы, которые помогут улучшить позиции сайта в поисковой выдаче.
Создания чат-ботов для сайта: Разрабатывать чат-ботов, которые будут отвечать на вопросы посетителей сайта и помогать им ориентироваться на сайте.
Улучшения пользовательского интерфейса: Находить оптимальные решения для улучшения пользовательского интерфейса на основе анализа данных о поведении пользователей.
Генерации кода: Чат-боты могут помочь в генерации фрагментов кода

Для дизайнеров

Дизайнеры могут воспользоваться преимуществами нейросетей и чат-ботов для:

Генерации идей: Получать вдохновение и генерировать новые идеи для логотипов, иллюстраций, веб-дизайна и других проектов.
Создания прототипов: Быстро создавать прототипы дизайна на основе текстовых описаний или набросков.
Улучшения качества изображений: Улучшать качество старых или некачественных изображений, повышая их разрешение и четкость.
Автоматизации рутинных задач: Автоматизировать такие задачи как обрезка, изменение размеров или обработка большого количества изображений.
Генерации текстур и фонов: Создавать уникальные текстуры и фоны для дизайна.

Для маркетологов

Маркетологи могут использовать нейросети и чат-боты для:

Анализа рынка: Анализировать данные о поведении потребителей, трендах и конкурентах для принятия более взвешенных решений.
Создания рекламных материалов: Генерировать тексты для рекламных объявлений, постов в социальных сетях и других маркетинговых материалов.
Персонализации маркетинговых кампаний: Настраивать рекламу под конкретных пользователей, предлагая им релевантные товары и услуги.
Автоматизации поддержки клиентов: Использовать чат-ботов для предоставления поддержки клиентам 24/7, отвечая на их вопросы и решая проблемы.
Создание контент-плана: Чат-боты могут помочь составить контент-план для социальных сетей.

Для простых пользователей

Даже если вы не являетесь учителем, веб-мастером или дизайнером, нейросети и чат-боты могут упростить вашу жизнь, помогая вам:

Планировать поездки: Находить лучшие маршруты, отели и развлечения для ваших поездок.
Изучать новые языки: Использовать приложения для изучения языков, которые адаптируются к вашему уровню и предоставляют персонализированные уроки.
Получать ответы на вопросы: Использовать поисковые системы и чат-боты для быстрого поиска нужной информации.
Редактировать тексты: Использовать нейросети для проверки грамматики и стиля ваших писем или документов.
Создавать изображения: Генерировать уникальные картинки для социальных сетей или для личного пользования.

И это только начало! Нейросети и чат-боты продолжают развиваться и совершенствоваться, и в будущем они станут еще более мощными и полезными инструментами в повседневной жизни и работе каждого из нас.

Этические вопросы и ограничения нейросетевых технологий

Нейросети – это, без сомнения, мощнейший инструмент, но их развитие, как и любая другая инновационная технология, сталкивается с рядом вызовов. Давайте поговорим про этические вопросы, возникающие при внедрении нейросетевых технологий, и ограничения, связанные с вычислительными мощностями, необходимыми для обучения сложных моделей.

Вызовы:

Нехватка данных: Для обучения качественных нейросетей требуется огромное количество данных.
«Черный ящик»: Работа нейросетей часто непрозрачна даже для их разработчиков.
Предвзятость алгоритмов: Нейросети могут воспроизводить предвзятые мнения, присутствующие в обучающих данных.
Этические дилеммы: Возникают вопросы ответственности за решения, принимаемые нейросетями.
Вычислительные мощности: Обучение сложных нейросетей требует огромных вычислительных ресурсов.

Будущее нейросетей: что нас ждет впереди?

Нейросети – это не просто технология, это новая парадигма мышления и решения проблем. Они уже сейчас меняют наш мир, и в будущем их роль будет только возрастать.

Новые типы нейросетей: Ожидается появление еще более мощных и эффективных архитектур.
Более быстрые алгоритмы обучения: Ученые работают над тем, чтобы ускорить процесс обучения нейросетей.
Расширение областей применения: Нейросети будут все глубже проникать во все сферы нашей жизни.
Развитие искусственного общего интеллекта: Возможен прорыв в создании искусственного интеллекта, способного решать любые интеллектуальные задачи.

Заключение: Нейросети – это уже реальность, а не только фантастика

Нейросети – это мощный инструмент, который помогает нам развиваться и делать мир лучше. Они уже сейчас меняют нашу жизнь, автоматизируя рутинные задачи, помогая находить решения сложных проблем и делая наши технологии умнее. Это не просто модное слово – это реальность. И хотя еще многое предстоит изучить и понять, одно можно сказать наверняка: будущее, в котором нейросети играют важную роль, уже наступило.

P.S. А как вы видите будущее нейросетей? Поделитесь своими мыслями в комментариях! Возможно, именно ваш комментарий станет ключом к новым открытиям!

Алгоритм обратного распространения ошибки (backpropagation), который лежит в основе обучения многих нейронных сетей, был впервые предложен в работе Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536..

Для практической реализации нейросетей часто используются библиотеки TensorFlow (доступна документация TensorFlow) и PyTorch (доступна документация PyTorch).

Сверточные нейронные сети (CNN) успешно применяются в задачах компьютерного зрения, как продемонстрировано в работе Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105)..