Neyron tarmoq asoslari va uni chuqur o'rganish

Другие системы обозначений
Boshqa qayd tizimlari

В литературе можно встретить и другую запись выхода искусственного нейрона:

Adabiyotda siz sun'iy neyronning chiqishi haqida yana bir yozuvni topishingiz mumkin:


h_w,b(x) = g(w · x + b).

Она несколько отличается от приведенного выше уравнения. Мы приводим ее только для того, чтобы вы знали о возможных вариантах изложения одних и тех же концепций в раз-ных источниках.

Yuqoridagi tenglamadan biroz farq qiladi. Biz uni turli manbalarda bir xil tushunchalarni taqdim etishning mumkin bo'lgan variantlari haqida bilishingiz uchun beramiz.

Если в роли функции активации выступает сигмоида, то имеем:

Agar aktivatsiya funktsiyasining roli sigmasimon bo'lsa, unda bizda:

Область значений этой функции – тот же интервал (0, 1), что и у функции ло­ гистической регрессии.

Ushbu funktsiyaning qiymatlari oralig'i mantiqiy regressiya funktsiyasi bilan bir xil (0, 1).


Сигмоидные функции активации на практике

Мы упомянули сигмоидную функцию активации только ради исторической полноты. Ниже мы увидим, что в наше время сигмоиды вышли из моды.

Sigmasimon faollashtirish funktsiyasi amalda
Biz sigmasimon faollashtirish funktsiyasini faqat tarixiy to'liqlik uchun aytib o'tdik. Quyida biz vaqtimizda sigmasimon modadan tashqarida ekanligini ko'ramiz.

На вход поступают данные, из которых мы хотим извлечь информацию, а веса связей и смещения – величины, управляющие процессом извлечения, способные активировать или подавлять входные сигналы. Как и в случае перцептрона, су­ ществует алгоритм обучения, который изменяет веса и смещения каждого ней-рона. Ниже мы рассмотрим его.

Kirish biz ma'lumot olishni istagan ma'lumotlarni oladi, va ulanishlar va joy almashtirishlarning og'irliklari kirish signallarini faollashtirishi yoki bostiradigan ekstraksiya jarayonini boshqaruvchi miqdorlardir. In'ikosning holatida bo'lgani kabi, har bir neyronning og'irliklari va joylarini o'zgartiradigan o'rganish algoritmi mavjud. Quyida biz buni ko'rib chiqamiz.

Мы знаем, что биологические нейроны не передают каждый полученный элект­ рохимический импульс. Так и искусственные нейроны не являются просто про-водами или диодами, передающими сигналы. Они действуют избирательно. Они фильтруют поступающие данные, агрегируют их, преобразуют и передают после-дующим нейронам только полезную часть информации. В следующем разделе мы проиллюстрируем этот эффект.
Biz bilamizki, biologik neyronlar har qanday qabul qilingan elektrokimyoviy pulslarni o'tkazmaydi. Shunday qilib, sun'iy neyronlar shunchaki signallarni uzatadigan simlar yoki diodlar emas. Ular tanlab harakat qilishadi. Ular kiruvchi ma'lumotlarni filtrlaydilar, birlashtiradilar, ma'lumotlarning faqat foydali qismini keyingi neyronlarga uzatadilar. Keyingi bo'limda biz ushbu effektni tasvirlaymiz.

Нейроны можно классифицировать по виду получаемых входных данных (би-нарные или непрерывные) и по характеру преобразования (функции активации), порождающего выходной сигнал. В DL4J у всех нейронов одного слоя функция активации одна и та же.

Neyronlar qabul qilingan ma'lumotlarning turiga (ikkilik yoki uzluksiz) va chiqish signalini yaratadigan transformatsiyaning tabiatiga (faollashtirish funktsiyasi) ko'ra tasniflanishi mumkin. DL4Jda bir xil qatlamdagi barcha neyronlar bir xil faollashuv funktsiyasiga ega.


Веса связей в нейронной сети – это коэффициенты, которые масштабируют (усиливают или ослабляют) входной сигнал, поступающий к нейрону. В общепри-нятых представлениях нейронных сетей узлы соединены линиями со стрелками – ребрами математического графа. Обычно веса связей обозначаются буквой w.