Sun'iy neyron tarmoq modeli

Sun'iy neyron tarmoq modeli
Neyron tarmoqlar (sun'iy neyron tarmoq) - ulangan va o'zaro ta'sir qiluvchi oddiy protsessorlar (sun'iy neyronlar) tizimi. Bunday protsessorlar odatda juda oddiy (ayniqsa shaxsiy kompyuterlarda ishlatiladigan protsessorlar bilan solishtirganda). Bunday tarmoqdagi har bir protsessor faqat vaqti-vaqti bilan qabul qiladigan signallar va vaqti-vaqti bilan boshqa protsessorlarga yuboradigan signallar bilan ishlaydi. Va shunga qaramay, boshqariladigan o'zaro ta'sirga ega etarlicha katta tarmoqqa ulangan bu protsessorlar birgalikda juda murakkab vazifalarni bajarishga qodir, chunki neyron tarmoqlar ishlash jarayonida o'rganadi.
Hech kimga sir emaski, hozirda neyron tarmoqlar ko'pincha fotografiyada qo'llaniladi. Biz allaqachon ular oddiy kompyuterda animatsiya bilan qanday ishlashga qodir ekanliklarini ko'rdik va rasmlar mashhur rassomlarning asarlaridan ko'ra ko'proq bolg'a ostiga tushadi. FaceApp ilovasining asosini aynan neyron tarmoqlar tashkil etgani ajablanarli emas, u bir necha kun ichida butun dunyo bo'ylab mashhurlikka erishib, App Store do'konini bosib oldi va.
Ilon Mask Marsni mustamlaka qilganidan keyin
Google kompaniyasi nutqni matnli tasvirdan foydalanmasdan to‘g‘ridan-to‘g‘ri boshqa tilga o‘gira oladigan hamda ma’ruzachining ovozi ma’lumotlari va nutq tezligini saqlab qoladigan Translatotron yangi eksperimental neyron tarmog‘ini taqdim etdi, deyiladi kompaniya blogida. Uzoq qisqa muddatli xotiraga ega tizim ovozli kiritishni qabul qilishi va uni spektrogramma sifatida qayta ishlashga qodir va shundan so‘ng maqsadli tilda yangi spektrogramma hosil qiladi. Muayyan sharoitlarda bu nafaqat tarjima tezligini, balki uning aniqligini ham oshiradi. Yangi ishlanmaning toʻliqroq tavsifini arXiv.org ilmiy maqolalar onlayn repozitoriyasida chop etilgan maqolada topish mumkin.
Bo'limda biz sun'iy intellekt, mashinani o'rganish va sun'iy neyron tarmoqlar kabi tushunchalar bilan tanishdik.
Ushbu bobda men sun'iy neyron modelini batafsil tasvirlab beraman, tarmoqni o'qitishga yondashuvlar haqida gapiraman, shuningdek, biz keyingi boblarda o'rganadigan sun'iy neyron tarmoqlarining ba'zi mashhur turlarini tasvirlayman.

Soddalashtirish

Oxirgi bobda men doimo jiddiy soddalashtirishlar haqida gapirib berdim. Soddalashtirishning sababi shundaki, hech qanday zamonaviy kompyuterlar qila olmaydi tez bizning miyamiz kabi murakkab tizimlarni simulyatsiya qilish. Bundan tashqari, aytganimdek, bizning miyamiz axborotni qayta ishlash bilan bog'liq bo'lmagan turli xil biologik mexanizmlarga to'la.
Bizga kirish signalini kerakli chiqishga aylantirish uchun model kerak. Qolgan hamma narsa bizga tegishli emas. Keling, soddalashtirishni boshlaylik.
Biologik tuzilish → sxema
Oldingi bobda siz biologik neyron tarmoqlar va biologik neyronlar qanchalik murakkab ekanligini tushunib oldingiz. Neyronlarni chodirli yirtqich hayvonlar sifatida tasvirlash o'rniga, shunchaki diagrammalarni chizamiz.
Umuman olganda, neyron tarmoqlar va neyronlarni grafik tasvirlashning bir necha usullari mavjud. Bu erda biz sun'iy neyronlarni doira shaklida tasvirlaymiz.
Kirish va chiqishlarning murakkab o'zaro bog'liqligi o'rniga biz signal harakati yo'nalishini ko'rsatadigan o'qlardan foydalanamiz.
Shunday qilib, sun'iy neyron tarmoq o'qlar bilan bog'langan doiralar (sun'iy neyronlar) to'plami sifatida ifodalanishi mumkin.
Elektr signallari → raqamlar
Haqiqiy biologik neyron tarmoqda elektr signali tarmoq kirishlaridan chiqishlarga uzatiladi. Neyron tarmoqdan o'tish jarayonida u o'zgarishi mumkin.

Elektr signali har doim elektr signali bo'ladi. Kontseptual ravishda hech narsa o'zgarmaydi. Ammo keyin nima o'zgaradi? Ushbu elektr signalining kattaligi o'zgaradi (kuchliroq/zaifroq). Va har qanday qiymat har doim raqam sifatida ifodalanishi mumkin (katta/kam).

Sun'iy neyron tarmog'imiz modelimizda biz elektr signalining xatti-harakatlarini amalga oshirishimiz shart emas, chunki baribir uning amalga oshirilishiga hech narsa bog'liq bo'lmaydi.
Biz tarmoq kirishlariga elektr signalining kattaligini ifodalovchi ba'zi raqamlarni qo'llaymiz, agar bo'lsa. Bu raqamlar tarmoq bo'ylab harakatlanadi va qandaydir tarzda o'zgaradi. Tarmoqning chiqishida biz tarmoqning javobi bo'lgan ba'zi natijaviy raqamni olamiz.
Qulaylik uchun biz hali ham tarmoq signallarida aylanayotgan raqamlarimizga qo'ng'iroq qilamiz.
Sinapslar → ulanish og'irliklari
Birinchi bobdagi rasmni eslaylik, unda neyronlar o'rtasidagi aloqalar - sinapslar rangli tasvirlangan. Sinapslar ular orqali o'tadigan elektr signalini kuchaytirishi yoki zaiflashtirishi mumkin.

Keling, har bir bunday bog'lanishni ushbu ulanishning og'irligi deb ataladigan ma'lum bir raqam bilan tavsiflaymiz. Ushbu ulanish orqali o'tgan signal mos keladigan ulanishning og'irligiga ko'paytiriladi.

Bu sun'iy neyron tarmoqlari kontseptsiyasidagi asosiy nuqta, men buni batafsilroq tushuntiraman. Quyidagi rasmga qarang. Endi bu rasmdagi har bir qora o'q (havola) ​\(w_i \)​ (havola og'irligi) qandaydir raqamga mos keladi. Va signal bu ulanish orqali o'tganda, uning kattaligi ushbu ulanishning og'irligiga ko'paytiriladi.

Yuqoridagi rasmda har bir havolaning vazni yo'q, chunki teglar uchun joy yo'q. Haqiqatda, har bir ​\(i \) ​-chi boʻgʻinning oʻziga xos ​\(w_i \) vazni bor.

sun'iy neyron
Endi biz sun'iy neyronning ichki tuzilishini va uning kirishiga kelgan signalni qanday o'zgartirishini ko'rib chiqamiz.
Quyidagi rasmda sun'iy neyronning to'liq modeli ko'rsatilgan.

Qo'rqmang, bu erda murakkab narsa yo'q. Keling, hamma narsani chapdan o'ngga batafsil ko'rib chiqaylik.

Kirishlar, og'irliklar va totalizator
Har bir neyron, shu jumladan sun'iy, signalni qabul qiladigan ba'zi kirishlarga ega bo'lishi kerak. Biz allaqachon og'irliklar kontseptsiyasini kiritdik, ular orqali ulanish orqali o'tadigan signallar ko'paytiriladi. Yuqoridagi rasmda og'irliklar doiralar bilan ifodalanadi.
Kirishlarda qabul qilingan signallar ularning og'irliklari bilan ko'paytiriladi. Birinchi kirish signali ​\(x_1 \) ​ mos keladigan vaznga ko'paytiriladi ​\(w_1 \) ​. Natijada, biz ​\(x_1w_1 \) ni olamiz. Va shunga o'xshash ​\(n \) th kiritilgunga qadar. Natijada, oxirgi kiritishda biz ​\(x_nw_n \) ni olamiz.
Endi barcha mahsulotlar qo'shimcha qurilmaga o'tkaziladi. Allaqachon uning nomiga asoslanib, nima qilishini tushunishingiz mumkin. Bu shunchaki barcha kiritilgan ma'lumotlarni tegishli og'irliklarga ko'paytiradi:
\[ x_1w_1+x_2w_2+\cdots+x_nw_n = \sum\limits^n_(i=1)x_iw_i \]
Matematik yordam
Sigma - Vikipediya.
Takrorlanuvchi / bir xil turdagi a'zolar yig'indisidan iborat katta ifodani qisqacha yozish kerak bo'lganda, sigma belgisi qo'llaniladi.
Yozuvning eng oddiy versiyasini ko'rib chiqing:
\[ \sum\limits^5_(i=1)i=1+2+3+4+5 \]
Shunday qilib, sigma ostidan biz hisoblagich o'zgaruvchisiga ​\(i \)​ boshlang'ich qiymatini tayinlaymiz, u yuqori chegaraga yetguncha ortadi (yuqoridagi misolda bu 5).
Yuqori chegara ham o'zgaruvchan bo'lishi mumkin. Men bunday holatga misol keltiraman.
Aytaylik, bizda ​\(n\) do‘konlar bor. Har bir do'konning o'z raqami bor: 1 dan ​\(n\)​ gacha. Har bir do'kon foyda keltiradi. Keling, bir nechtasini olaylik (qaysi biri muhim emas) ​\(i \) th do'kon. Undan olingan foyda ​\(p_i \) dir.
\[ P = p_1+p_2+\cdots+p_i+\cdots+p_n \]
Ko'rib turganingizdek, bu summaning barcha shartlari bir xil turdagi. Keyin ularni qisqacha quyidagicha yozish mumkin:
\[ P=\sum\limits^n_(i=1)p_i \]
So'z bilan aytganda: "Birinchidan boshlab va ​\(n \) th bilan tugaydigan barcha do'konlarning daromadlarini jamlang." Formula shaklida u ancha sodda, qulayroq va chiroyliroq.
Qo'shimchaning natijasi vaznli yig'indi deb ataladigan sondir.