Что такое нейронная сеть
Нейронные сети являются инструментами обработки сигналов, которые в значительной степени основаны на структуре человеческого мозга. Они обычно связаны с таким понятием как искусственный интеллект (ИИ). Впрочем, термин «искусственный интеллект» неточный и сокращенный. Если вы определяете «интеллект» как способность быстро выполнять численные вычисления, то нейронные сети – это определенно ИИ. Но интеллект, возможно, гораздо больше – это такая вещь, которая проектирует систему, которая быстро выполняет численные вычисления, а затем пишет статью об этом, а потом обдумывает значение слова «интеллект», а затем задается вопросом, почему люди создают нейронные сети и пишут о них статьи.
Кроме того, искусственный интеллект не совсем искусственный. Это очень реальный разум, потому что это математическая система, которая работает в соответствии с интеллектом людей, которые его разработали.
Нейронные сети – это программные процедуры, которые могут «учиться» на существующих данных и эффективно решать сложные проблемы обработки сигналов. С ними интересно изучать и экспериментировать, а в некоторых случаях они намного превосходят возможности «нормальных» алгоритмов. Тем не менее, они не избавят мир от голода, не смогут написать хорошую поэзию, им все равно еще чего-то не хватает до полного очеловечивания.
Что такое персептрон
Базовая нейронная сеть на основе персептрона концептуально проста. Персептрон может состоять не более чем из двух входных узлов и одного выходного узла, соединенного взвешенными соединениями.
Размерность входных данных должна соответствовать размерности входного слоя. Термин «размерность» может быть здесь немного запутанным, потому что большинство людей не могут визуализировать что-то более чем в трех измерениях. Все это действительно означает, что ваши входные данные – например, шаблон, который вы хотите классифицировать – это вектор с заданной длиной, и ваш входной слой должен иметь узел для каждого элемента в векторе. Поэтому, если вы пытаетесь классифицировать шаблон, представленный серией из 20 точек данных, у вас есть вектор из 20 элементов, и вам нужно 20 входных узлов.
Выходной узел генерирует данные, которые представляют интерес для разработчика. Количество выходных узлов зависит от приложения. Если вы хотите принять решение о классификации типа «да / нет», вам нужен только один выходной узел, даже если есть сотни входных узлов. С другой стороны, если цель состоит в том, чтобы поместить входной вектор в одну из нескольких возможных категорий, у вас будет несколько выходных узлов.
Данные, которые перемещаются от одного узла к другому, умножаются на веса. Эти обычные скалярные значения на самом деле являются ключом к функциональности персептрона: веса изменяются во время процесса обучения, и благодаря автоматической настройке весов в соответствии с шаблонами, содержащимися в данных обучения, сеть приобретает способность производить полезный вывод.
Как работает нейронная сеть на основе персептрона
Узлы на входном слое являются просто точками соединения; они не изменяют входные данные. Выходной слой, а также любые дополнительные слои между входом и выходом содержат вычислительные узлы сети. Когда числовые данные поступают в вычислительные узлы, сначала они суммируются, а затем они подвергаются функции «активации».
Концепция активации восходит к поведению (биологических) нейронов, которые взаимодействуют через активные или неактивные потенциалы действия; это больше похоже на цифровую систему включения / выключения, чем на аналоговую систему. В контексте (искусственных) нейронных сетей узлы, которые также называются (искусственными) нейронами, могут имитировать поведение нейронов, применяя пороговую функцию, которая выводит 1, когда входной сигнал больше, чем пороговое значение, и 0 в противном случае. На следующем графике показана взаимосвязь ввода-вывода базовой функции активации «единичный шаг».
Вставляя это пороговое преобразование в распространение данных от узла к узлу, мы вводим нелинейность в систему, и без этой нелинейности функциональность нейронной сети очень ограничена. Теория здесь сложна, но общая идея состоит в том, что комбинации линейных преобразований, даже если эти линейные преобразования происходят много раз, никогда не смогут приблизиться к отношениям, которые характеризуют сложные природные явления и сложные задачи обработки сигналов.
© digitrode.ru