BITCOIN

बिटकॉइन पर डीप न्यूरल नेटवर्क चलाना

एक ऑन-चेन हस्तलिखित अंक क्लासिफायरियर

लागू करें ) यह पोस्ट पहली बार माध्यम पर प्रकाशित हुई थी।

हमने हस्तलिखित अंकों के वर्गीकरण के लिए एक गहरा तंत्रिका नेटवर्क लागू किया है। पहले से प्रशिक्षित मॉडल पूरी तरह से ऑन-चेन चलता है। इसे हस्तलिखित अंकों के MNIST डेटासेट का उपयोग करके ऑफ़लाइन प्रशिक्षित किया जाता है। मॉडल 28×28 ग्रेस्केल पिक्सेल की छवि लेता है और 0 से 9 तक एक अंक आउटपुट करता है।

गहरे तंत्रिका नेटवर्क का परिचय

एक कृत्रिम तंत्रिका नेटवर्क जैविक तंत्रिका नेटवर्क से प्रेरित एक निर्माण है। नेटवर्क बड़ी संख्या में लेबल किए गए डेटा के उदाहरणों के संपर्क में आने से सीखता है। इस प्रक्रिया को Neural network पर्यवेक्षित शिक्षण के रूप में भी जाना जाता है।

नेटवर्क कई घटकों से बना है: न्यूरॉन्स/नोड्स, कनेक्शन, बायस और सक्रियण कार्य। इन घटकों को परतों में क्रमिक रूप से एक साथ समूहीकृत किया जाता है। पहली परत को ” इनपुट परत, ” कहा जाता है जहां डेटा नेटवर्क में पारित हो जाता है, और अंतिम एक “ आउटपुट परत, ” जिसके द्वारा नेटवर्क अपना आउटपुट लौटाता है। एक बहुत ही सरल तंत्रिका नेटवर्क में केवल ये दो परतें होती हैं। प्रदर्शन को बेहतर बनाने के लिए हम दोनों के बीच एक या अधिक “हिडन लेयर्स ” जोड़ सकते हैं। छिपी हुई परतों वाले नेटवर्क को ” गहरे तंत्रिका नेटवर्क ” (डीएनएन) कहा जाता है।

एक गहरे तंत्रिका नेटवर्क का एक उदाहरण

नेटवर्क में न्यूरॉन्स के बीच प्रत्येक कनेक्शन को एक विशिष्ट मूल्य के साथ भारित किया जाता है। प्रत्येक तंत्रिका का एक मूल्य भी होता है जिसे “ पूर्वाग्रह ” कहा जाता है जो इसके इनपुट के योग में जुड़ जाता है। सीखना इन भारों और पूर्वाग्रहों के एक सेट को खोजने की प्रक्रिया है, ताकि नेटवर्क कुछ इनपुट दिए जाने पर एक सार्थक आउटपुट लौटाए।

एक अच्छा सहज ज्ञान प्राप्त करने के लिए गहरे तंत्रिका नेटवर्क हुड के तहत काम करते हैं, हम इस विषय पर लघु वीडियो श्रृंखला देखने की सलाह देते हैं। .

नेटवर्क आर्किटेक्चर

MNIST हस्तलिखित अंकों के लिए DNN 784 (28 x 28) नोड्स की एक इनपुट परत, 64 नोड्स की एक छिपी हुई परत और 10 की आउटपुट परत से बना है

नोड्स (संभावित वर्गों/अंकों की संख्या)। परतें सभी पूरी तरह से जुड़ी हुई हैं , जिससे नेटवर्क में कुल शामिल हैं 501760 (784 64 10) कनेक्शन।

छिपी परत में नोड्स का उपयोग करते हैं ReLU सक्रियण समारोह Argmax का उपयोग आउटपुट नोड्स पर सही मान प्राप्त करने के लिए किया जाता है, यानी, वर्गीकरण का अंक।

मॉडल को प्रशिक्षित करें

डीएनएन का उपयोग करके प्रशिक्षित किया जाता है केरस । नेटवर्क के हमारे उल्लिखित आर्किटेक्चर के साथ और इसका उपयोग करके RMSprop ऑप्टिमाइज़र प्रशिक्षण के लिए, मॉडल सक्षम है 50 युगों के बाद 98% वर्गीकरण सटीकता प्राप्त करें।

एक बार जब मॉडल प्रशिक्षित हो जाता है तो वजन और पूर्वाग्रह को एक प्रारूप में निर्यात किया जाना चाहिए जिसे हम एक sCrypt स्मार्ट अनुबंध में उपयोग कर सकते हैं। प्रदर्शन कारणों से, हम इन मानों को में एन्कोड करते हैं बाइट्स , नहीं Neural network सरणियाँ

कार्यान्वयन

हमने ऊपर DNN को लागू किया है, के समान) सिंगल लेयर न्यूरल नेटवर्क (उर्फ, एक परसेप्ट्रोन) जिसे हमने पहले लागू किया है . पूर्ण कोड हो सकता है गिटहब पर पाया गया।

फ़ंक्शन भविष्यवाणी () Neural network इनपुट परत के प्रारंभिक मूल्यों में लेता है। हमारे मामले में यह हस्तलिखित छवि का क्रमबद्ध मान है। यह एक पूर्णांक देता है जो वर्गीकरण परिणाम का प्रतिनिधित्व करता है, अर्थात छवि पर संख्या।

क्योंकि sCrypt देशी फ्लोटिंग पॉइंट नंबरों का समर्थन नहीं करता है, हम उपयोग करते हैं निश्चित-बिंदु अभ्यावेदन द्वारा मूल्यों को बस स्केल करके 10⁸. उदाहरण के लिए, 0.86758491 एक पूर्णांक 86758491 बन जाता है। दो मानों को गुणा करने पर हम परिणाम को फिर से मापते हैं, यानी इसे 10⁸ से विभाजित करते हैं।

संभावित उपयोग के मामले

इस तरह के डीएनएन को स्मार्ट के अंदर कई तरह से इस्तेमाल किया जा सकता है अनुबंध। उदाहरण के लिए, आप किसी मॉडल को यह पहचानने के लिए प्रशिक्षित कर सकते हैं कि क्या किसी छवि में एक निश्चित सटीकता के साथ हॉटडॉग है। उपयोगकर्ताओं को ऐसी तस्वीरों के लिए इंटरनेट को स्क्रैप करने के लिए प्रोत्साहित किया जाता है और उन्हें जमा करने के लिए बिटकॉइन माइक्रोपेमेंट में स्वचालित रूप से भुगतान किया जाता है। इन तस्वीरों को मॉडल को प्रशिक्षित करने और इसकी सटीकता में सुधार करने के लिए एकत्र किया जा सकता है।

देखें: बीएसवी ग्लोबल ब्लॉकचैन कन्वेंशन में sCrypt की Xiaohui लियू प्रस्तुति, BSV पर स्मार्ट अनुबंध और गणना

The Network Architecture चौड़ाई=”562″ ऊंचाई=”315″ फ्रेमबॉर्डर=”0″ अनुमति पूर्णस्क्रीन=”अनुमति पूर्णस्क्रीन”>

बिटकॉइन के लिए नया? CoinGeek की जाँच करें शुरुआती के लिए बिटकॉइन खंड, बिटकॉइन के बारे में अधिक जानने के लिए अंतिम संसाधन मार्गदर्शिका—जैसा कि मूल रूप से कल्पना की गई थी सातोशी नाकामोतो—और ब्लॉकचेन। Neural network

Back to top button
%d bloggers like this: