Искусственная нейронная сеть - строительные блоки
Обработка ИНС зависит от следующих трех строительных блоков:
- Топология сети
- Регулировка веса или обучение
- Функции активации
В этой главе мы подробно обсудим эти три строительных блока ИНС.
Топология сети
Топология сети - это расположение сети вместе с ее узлами и соединительными линиями. По топологии ИНС можно разделить на следующие виды:
Прямая связь
Это непериодическая сеть, имеющая блоки обработки / узлы на уровнях, и все узлы на уровне связаны с узлами предыдущих уровней. Связь имеет разный вес. Отсутствие обратной связи означает, что сигнал может течь только в одном направлении, от входа к выходу. Его можно разделить на следующие два типа:
Single layer feedforward network- Концепция состоит в том, что ИНС прямого распространения имеет только один взвешенный уровень. Другими словами, мы можем сказать, что входной слой полностью связан с выходным слоем.
Multilayer feedforward network- Концепция состоит в том, что ИНС прямого распространения имеет более одного взвешенного уровня. Поскольку эта сеть имеет один или несколько слоев между входным и выходным слоями, она называется скрытыми слоями.
Сеть обратной связи
Как следует из названия, сеть обратной связи имеет пути обратной связи, что означает, что сигнал может течь в обоих направлениях с использованием петель. Это делает его нелинейной динамической системой, которая постоянно изменяется, пока не достигнет состояния равновесия. Его можно разделить на следующие типы -
Recurrent networks- Это сети обратной связи с замкнутыми контурами. Ниже приведены два типа повторяющихся сетей.
Fully recurrent network - Это простейшая архитектура нейронной сети, потому что все узлы подключены ко всем остальным узлам, и каждый узел работает как на входе, так и на выходе.
Jordan network - Это сеть с замкнутым контуром, в которой выход снова будет поступать на вход в качестве обратной связи, как показано на следующей диаграмме.
Регулировка веса или обучение
Обучение в искусственной нейронной сети - это метод изменения весов связей между нейронами указанной сети. Обучение в ИНС можно разделить на три категории: обучение с учителем, обучение без учителя и обучение с подкреплением.
Контролируемое обучение
Как следует из названия, этот тип обучения проводится под руководством учителя. Этот процесс обучения зависим.
Во время обучения ИНС при обучении с учителем входной вектор представляется сети, которая дает выходной вектор. Этот выходной вектор сравнивается с желаемым выходным вектором. Сигнал ошибки генерируется, если есть разница между фактическим выходным сигналом и желаемым выходным вектором. На основе этого сигнала ошибки веса корректируются до тех пор, пока фактический выход не совпадет с желаемым выходом.
Неконтролируемое обучение
Как следует из названия, этот тип обучения осуществляется без присмотра учителя. Этот процесс обучения независим.
Во время обучения ИНС в условиях обучения без учителя входные векторы одного типа объединяются в кластеры. Когда применяется новый шаблон ввода, нейронная сеть выдает выходной ответ, указывающий класс, к которому принадлежит шаблон ввода.
Из среды нет обратной связи относительно того, каким должен быть желаемый результат, и является ли он правильным или неправильным. Следовательно, в этом типе обучения сама сеть должна обнаруживать закономерности и особенности входных данных и соотношение входных данных с выходными.
Обучение с подкреплением
Как следует из названия, этот тип обучения используется для усиления или усиления сети через некоторую критическую информацию. Этот процесс обучения похож на обучение с учителем, однако у нас может быть очень мало информации.
Во время обучения сети в рамках обучения с подкреплением сеть получает некоторую обратную связь от окружающей среды. Это делает его несколько похожим на обучение с учителем. Однако полученная здесь обратная связь является оценочной, а не поучительной, что означает, что здесь нет учителя, как при обучении с учителем. После получения обратной связи сеть выполняет корректировку весов, чтобы в будущем получать более точную информацию о критике.
Функции активации
Это может быть определено как дополнительная сила или усилие, приложенное к входу для получения точного выхода. В ИНС мы также можем применять функции активации ко входу, чтобы получить точный результат. Ниже приведены некоторые интересующие функции активации -
Функция линейной активации
Ее также называют функцией идентификации, поскольку она не выполняет редактирование ввода. Это можно определить как -
$$ F (x) \: = \: x $$
Функция активации сигмовидной кишки
Он бывает двух типов:
Binary sigmoidal function- Эта функция активации выполняет редактирование ввода от 0 до 1. Это положительный характер. Он всегда ограничен, что означает, что его выход не может быть меньше 0 и больше 1. Он также строго возрастает по своей природе, что означает, что чем больше вход выше, тем выходом. Его можно определить как
$$ F (x) \: = \: sigm (x) \: = \: \ frac {1} {1 \: + \: exp (-x)} $$
Bipolar sigmoidal function- Эта функция активации выполняет редактирование ввода от -1 до 1. Он может быть положительным или отрицательным по своей природе. Он всегда ограничен, что означает, что его выход не может быть меньше -1 и больше 1. Он также строго возрастает по своей природе, как сигмовидная функция. Его можно определить как
$$ F (x) \: = \: sigm (x) \: = \: \ frac {2} {1 \: + \: exp (-x)} \: - \: 1 \: = \: \ гидроразрыв {1 \: - \: exp (x)} {1 \: + \: exp (x)} $$