神经元阵列输出识别结果或传递到下一层。
各数字的置信度。
卷积层用来提取笔画特征。
全连接第一层:压缩信息并分类。
激活函数阵列:将数据非线性地映射到高维特征空间。
全连接第二、三层:进一步分类并输出识别结果。
作者表示,该网络使用的架构是压缩的 LeNet-5,准确率达到 80%。
不过,受限于 Minecraft 的运算能力,实际识别时间超过 20 分钟。尽管如此,这仍是红石数电领域的重大突破,也可能启发现实中的硬件神经网络。
目前,视频的播放量已经超过 80 万,全 B 站排行榜最高第 39 名,让各路网友叹为观止。就连图灵奖得主 Yann LeCun 也在 Facebook 上转发了该视频,表示「一位非常有耐心且坚持不懈的人使用红石在我的世界中实现了 LeNet-5。」LeCun 是 LeNet 架构提出者。
【Minecraft】世界首个纯红石神经网络!真正的红石人工智能(中文/English)
【Minecraft】红石卷积神经网络——原理
背后的原理
在另外一个视频《【Minecraft】红石卷积神经网络——原理》中,作者详细解释了红石卷积神经网络的原理。
总的来说,他们使用的是压缩的 LeNet-5 卷积神经网络,卷积是网络的第一步计算,使用一个带权重的窗口(卷积核)逐次扫描图像并提取笔画特征。
然后将这些笔画特征馈入到深度神经网络(全连接层)进行分类识别。