Водич за вештачку неуронску мрежу пружа основне и напредне концепте АНН-а. Наш водич за вештачку неуронску мрежу је развијен за почетнике, као и за професије.

Израз 'вештачка неуронска мрежа' се односи на биолошки инспирисано подпоље вештачке интелигенције по узору на мозак. Вештачка неуронска мрежа је обично рачунарска мрежа заснована на биолошким неуронским мрежама које конструишу структуру људског мозга. Слично као што људски мозак има неуроне међусобно повезане, вештачке неуронске мреже такође имају неуроне који су повезани једни са другима у различитим слојевима мрежа. Ови неурони су познати као чворови.

обрнути низ у Јави

Туторијал за вештачку неуронску мрежу покрива све аспекте који се односе на вештачку неуронску мрежу. У овом туторијалу ћемо разговарати о АНН-има, теорији адаптивне резонанције, Кохоненовој самоорганизованој мапи, грађевинским блоковима, учењу без надзора, генетском алгоритму итд.

Шта је вештачка неуронска мрежа?

Термин ' Вештачка неуронска мрежа ' је изведено из биолошких неуронских мрежа које развијају структуру људског мозга. Слично људском мозгу који има неуроне међусобно повезане, вештачке неуронске мреже такође имају неуроне који су међусобно повезани у различитим слојевима мрежа. Ови неурони су познати као чворови.

Наведена слика илуструје типичан дијаграм биолошке неуронске мреже.

Типична вештачка неуронска мрежа изгледа отприлике као дата фигура.

Дендрити из биолошке неуронске мреже представљају улазе у вештачке неуронске мреже, ћелијско језгро представља чворове, синапса представља тежине, а аксон представља излаз.

Однос између биолошке неуронске мреже и вештачке неуронске мреже:

Ан Вештачка неуронска мрежа у области Вештачка интелигенција где покушава да опонаша мрежу неурона који чини људски мозак тако да ће компјутери имати могућност да разумеју ствари и доносе одлуке на начин сличан човеку. Вештачка неуронска мрежа је дизајнирана програмирањем рачунара да се понаша једноставно као међусобно повезане мождане ћелије.

У људском мозгу постоји око 1000 милијарди неурона. Сваки неурон има тачку асоцијације негде у распону од 1.000 до 100.000. У људском мозгу, подаци се чувају на такав начин да се дистрибуирају, а ми можемо паралелно извући више од једног дела ових података када је то потребно. Можемо рећи да се људски мозак састоји од невероватно невероватних паралелних процесора.

Вештачку неуронску мрежу можемо разумети на примеру, размотрити пример дигиталне логичке капије која узима улаз и даје излаз. 'ОР' капија, која узима два улаза. Ако су један или оба улаза „укључена“, онда на излазу добијамо „укључено“. Ако су оба улаза 'Искључена', онда на излазу добијамо 'Искључено'. Овде излаз зависи од улаза. Наш мозак не обавља исти задатак. Однос излаза и улаза се стално мења због неурона у нашем мозгу, који 'уче'.

Архитектура вештачке неуронске мреже:

Да бисмо разумели концепт архитектуре вештачке неуронске мреже, морамо разумети од чега се састоји неуронска мрежа. Да би се дефинисала неуронска мрежа која се састоји од великог броја вештачких неурона, који се називају јединицама распоређеним у низу слојева. Дозвољава нам да погледамо различите врсте слојева доступних у вештачкој неуронској мрежи.

Вештачка неуронска мрежа се првенствено састоји од три слоја:

Улазни слој:

Као што име каже, прихвата уносе у неколико различитих формата које обезбеђује програмер.

Скривени слој:

јавасцрипт функција позива из хтмл-а

Скривени слој представља између улазних и излазних слојева. Он обавља све прорачуне како би пронашао скривене карактеристике и обрасце.

Излазни слој:

Улаз пролази кроз серију трансформација користећи скривени слој, што на крају резултира излазом који се преноси помоћу овог слоја.

Вештачка неуронска мрежа узима улаз и израчунава пондерисани збир улаза и укључује пристрасност. Ово израчунавање је представљено у облику преносне функције.

Одређује да се пондерисани укупан износ прослеђује као улаз у функцију активације да би се произвео излаз. Функције за активацију бирају да ли ће се чвор активирати или не. Само они који су отпуштени стижу до излазног слоја. Доступне су карактеристичне функције активације које се могу применити на врсту задатка који обављамо.

Предности вештачке неуронске мреже (АНН)

Могућност паралелне обраде:

Вештачке неуронске мреже имају нумеричку вредност која може да обавља више задатака истовремено.

Чување података на целој мрежи:

Подаци који се користе у традиционалном програмирању чувају се на целој мрежи, а не у бази података. Нестанак пар комада података на једном месту не спречава рад мреже.

Способност рада са непотпуним знањем:

Након обуке за АНН, информације могу произвести излаз чак и са неадекватним подацима. Губитак перформанси се овде ослања на значај података који недостају.

Имајући дистрибуцију меморије:

Да би АНН била у стању да се прилагоди, важно је одредити примере и подстаћи мрежу према жељеном резултату демонстрирањем ових примера мрежи. Сукцесија мреже је директно пропорционална изабраним инстанцама, и ако се догађај не може појавити мрежи у свим својим аспектима, може произвести лажни излаз.

Имајући толеранцију грешака:

Изнуђивање једне или више ћелија АНН-а не забрањује му да генерише излаз, а ова карактеристика чини мрежу отпорном на грешке.

цепање стринга Ц++

Недостаци вештачке неуронске мреже:

Осигурање правилне структуре мреже:

Не постоје посебне смернице за одређивање структуре вештачких неуронских мрежа. Одговарајућа мрежна структура се постиже искуством, покушајима и грешкама.

Непрепознато понашање мреже:

То је најзначајније питање АНН. Када АНН произведе решење за тестирање, оно не пружа увид у то зашто и како. То смањује поверење у мрежу.

Зависност од хардвера:

Вештачким неуронским мрежама су потребни процесори са паралелном процесорском снагом, према њиховој структури. Дакле, реализација опреме зависи.

Потешкоће при приказивању проблема мрежи:

АНН могу да раде са нумеричким подацима. Проблеми се морају конвертовати у нумеричке вредности пре него што се уведу у АНН. Презентациони механизам који се овде решава директно ће утицати на перформансе мреже. Ослања се на способности корисника.

Трајање мреже није познато:

Мрежа је сведена на одређену вредност грешке, а та вредност нам не даје оптималне резултате.

Научне вештачке неуронске мреже које су ушле у свет средином 20^тхвека експоненцијално се развијају. У овом тренутку, истражили смо предности вештачких неуронских мрежа и проблеме са којима се сусрећемо током њиховог коришћења. Не треба занемарити да се недостаци АНН мрежа, које су цветајућа научна грана, елиминишу појединачно, а њихове предности се повећавају из дана у дан. То значи да ће се вештачке неуронске мреже претворити у незаменљив део наших живота који ће прогресивно постајати све важнији.

Како функционишу вештачке неуронске мреже?

Вештачка неуронска мрежа се најбоље може представити као пондерисани усмерени граф, где вештачки неурони формирају чворове. Повезаност између неуронских излаза и неуронских улаза може се посматрати као усмерене ивице са тежинама. Вештачка неуронска мрежа прима улазни сигнал са спољашњег извора у облику шаблона и слике у облику вектора. Ови улази се затим математички додељују нотацијама к(н) за сваки н број улаза.

Након тога, сваки од улазних података се множи са одговарајућим тежинама (ове тежине су детаљи које користе вештачке неуронске мреже за решавање одређеног проблема). Уопштено говорећи, ове тежине обично представљају снагу међусобне везе између неурона унутар вештачке неуронске мреже. Сви пондерисани улази су сумирани унутар рачунарске јединице.

Ако је пондерисани збир једнак нули, онда се пристрасност додаје да би излаз био другачији од нуле или нешто друго да би се повећао одговор система. Биас има исти улаз, а тежина је једнака 1. Овде укупни пондерисани инпути могу бити у опсегу од 0 до позитивне бесконачности. Овде, да би се одзив задржао у границама жељене вредности, одређена максимална вредност се мери, а укупни пондерисани улази се пропуштају кроз функцију активације.

Функција активирања се односи на скуп функција преноса који се користе за постизање жељеног излаза. Постоји другачија врста активационе функције, али првенствено линеарни или нелинеарни скупови функција. Неки од најчешће коришћених скупова активационих функција су бинарне, линеарне и Тан хиперболичке сигмоидне активационе функције. Хајде да погледамо сваки од њих у детаље:

Бинарно:

У функцији бинарне активације, излаз је или један или 0. Овде, да би се ово постигло, постоји вредност прага подешена. Ако је нето пондерисани улаз неурона већи од 1, онда се коначни излаз функције активације враћа као један или се излаз враћа као 0.

Сигмоидални хиперболични:

Функција сигмоидалне хиперболе се генерално посматра као ' С ' у облику криве. Овде се хиперболичка функција тан користи за апроксимацију излаза из стварног нето улаза. Функција је дефинисана као:

Ф(к) = (1/1 + екп(-????к))

Где ???? се сматра параметром стрмине.

Врсте вештачке неуронске мреже:

Постоје различите врсте вештачких неуронских мрежа (АНН) у зависности од неурона људског мозга и мрежних функција, вештачка неуронска мрежа на сличан начин обавља задатке. Већина вештачких неуронских мрежа ће имати неке сличности са сложенијим биолошким партнером и веома су ефикасне у својим очекиваним задацима. На пример, сегментација или класификација.

Повратна информација АНН:

У овом типу АНН-а, излаз се враћа у мрежу да би се постигли најбољи резултати интерно. Према Универзитет у Масачусетсу , Ловелл центар за истраживање атмосфере. Мреже за повратне информације враћају информације у себе и веома су погодне за решавање проблема оптимизације. Интерне системске исправке грешака користе повратне АНН.

Феед-Форвард АНН:

сортирање туплес питхон

Предуслов

Није потребна посебна стручност као предуслов пре почетка овог упутства.

Публика

Наш водич за вештачку неуронску мрежу је развијен за почетнике као и за професионалце, како би им помогао да разумеју основни концепт АНН-а.

Проблеми

Уверавамо вас да нећете наћи никакав проблем у овом водичу за вештачку неуронску мрежу. Али ако постоји било какав проблем или грешка, објавите проблем у обрасцу за контакт како бисмо га додатно побољшали.