agya bérlés
A neurális hálózatok most divatos, és jó okkal. Ezek lehetnek például felismerni tárgyakat a képen, vagy éppen ellenkezőleg, hogy dolgozzon rémálmok Salvador Dali. Köszönhetően kényelmes könyvtár egyszerű neurális hálózat létre néhány sornyi kódot, nem több, és hagyja, hogy fellebbezni az IBM mesterséges intelligencia.
A biológusok még mindig nem tudjuk pontosan, hogyan működik az agy, de az elv az egyes elemek az idegrendszer jól ismert. Ez áll a neuronok - specializált sejtek kommunikálnak egymással elektrokémiai jelek. Minden neuron sok dendritek és egyetlen axon. Dendritek lehet hasonlítani a bemenet, amelyen keresztül a fogadott adatok neuron axon is szolgál, mint a kimenet. A kapcsolatok között dendritek és axonok szinapszisokat. Ők nem csak küldi a jeleket, de lehet változtatni az amplitúdó és a frekvencia.
Bekövetkező változások szintjén az egyes neuronok, nagyon egyszerű, de még nagyon kicsi a neurális hálózatok képesek sok. Minden fajta viselkedés a féreg C. elegans - mozgás, takarmányozás, különböző reakciókat a külső ingerekre, és még sok más - minden kódolva háromszáz neuronokban. És a jobb férgek! Még hangyák hiányzó 250.000 neuronok, és mit csinálnak, az autók egyáltalán nem kényszerből.
Majdnem hatvan évvel ezelőtt, az amerikai kutató Frank Rosenblatt megpróbált létrehozni egy számítógépes rendszer elrendezve a kép az agyban, de a lehetőség alkotását nagyon korlátozott. Érdeklődés a neurális hálózatok azóta többször fellángolt, de időről időre világossá vált, hogy a feldolgozási teljesítmény nem elég az, hogy a fejlett neurális hálózat. Az elmúlt évtizedben e tekintetben sok minden megváltozott.
Elektromechanikus agy egy motorral
Machine Rosenblatt nevezett Mark I Perceptron. Azt tervezték, képfelismerő - feladatokat, amely a számítógépek még mindig birkóznak so-so. Mark I volt ellátva hasonlósága a retina: egy négyzetes mátrix fotocella 400, húsz, és húsz függőlegesen, vízszintesen. Napelemek véletlenszerűen csatlakozik egy elektronikus modell egy neuron, és ők viszont, hogy a nyolc kimenettel. Mivel a szinapszisok, amelyek összekötik a neuronok az elektronikus, napelemek és kimenetek, Rosenblatt használt potenciométerek. Amikor képzés egy perceptron léptetőmotor 512 készülék automatikusan elforgatja fogantyú potenciométerek beállításával a feszültség neuronok függően eredmény pontossága a kimeneten.
Itt dióhéjban, hogy a neurális hálózat. Mesterséges neuron, valamint valós, több bemenettel és egy kimenettel. Minden bejegyzés egy súlyozó tényező. Változtatásával ezek a tényezők, akkor a vonat a neurális hálózat. A függőség a kimenő jelet a jel a bemenet határozza meg az úgynevezett aktivációs függvény.
A perceptron Rosenblatt aktivációs függvény hajtogatott tömeg összes input, amely megkapta a logikai egységet, majd az eredményt összehasonlítottuk egy küszöbértéket. Hátránya, hogy egy kis változás az egyik súlyok, egy ilyen megközelítés aránytalan hatással az eredményre. Ez megnehezíti a képzés.
Modern neurális hálózatok általánosan használt nem-lineáris aktivációs funkciók, mint a szigmoid. Különben is, a régi neurális hálózatok kevés volt rétegeket. Bemenet és kimenet között általában egy vagy több rejtett réteg neuronjai. Ez folyik a móka.
Hogy könnyebb megérteni, mi folyik itt, nézd meg ezt a táblázatot. Ez feedforward neurális hálózat egy rejtett réteg. Minden kör megegyezik a neuron. A bal oldalon az idegsejtek az input réteg. Jobb - output neuron réteg. Középen egy rejtett réteg négy neuronokat. A kimenetek az összes bemeneti réteg neuronjainak kapcsolódik minden neuron az első rejtett réteg. Másfelől, a bemenetek a neuron a kimeneti réteg kapcsolódik az összes kimenetet a rejtett réteg neuronjainak.
Nem minden neurális hálózatok vannak elrendezve csak úgy. Például van (bár kevésbé gyakori) hálózat, amelyben a jelet táplálnak nemcsak neuronok a következő réteg, mint a backpropagation hálózati a mi áramkörrel, de az ellenkező irányban. Az ilyen hálózatok nevezik ismétlődő. Teljesen csatlakoztatva rétegek - ez is csak egy a lehetőségek közül, és az egyik alternatíva mi is érint.
Tehát, próbáljuk építeni egy egyszerű neurális hálózat a kezüket, és megvizsgálja a munkát az út mentén. Fogjuk használni Python numpy könyvtár (lehetett volna tenni anélkül numpy, de numpy lineáris algebra kevesebb erő). A példa alapján kód Andrew Trask.
Meg kell számítani a szigmabél funkció és a származékos: