Искусственная нейронная сеть

Есть два способа представить себе нейронную сеть. Первый - как человеческий мозг. Второй - как математическое уравнение.

Сеть начинается с входного сигнала, подобно органу чувств. Затем информация проходит через слои нейронов, где каждый нейрон связан со многими другими нейронами. Если определенный нейрон получает достаточное количество стимулов, то он посылает сообщение любому другому нейрону, с которым он связан через свой аксон. Аналогично, искусственная нейронная сеть имеет входной слой данных, один или несколько скрытых слоев классификаторов и выходной слой. Каждый узел в каждом скрытом слое соединен с узлом в следующем слое. Когда узел получает информацию, он отправляет некоторое ее количество узлам, к которым он подключен. Это количество определяется математической функцией, называемой функцией активации, такой как сигмоид или тангенс.

Если рассматривать нейронную сеть как математическое уравнение, то нейронная сеть - это просто список математических операций, которые нужно применить к входным данным. Входом и выходом каждой операции является тензор (точнее, вектор или матрица). Каждая пара слоев соединена списком весов. В каждом слое хранится несколько тензоров. Отдельный тензор в слое называется узлом. Каждый узел связан с некоторыми или всеми узлами следующего слоя посредством веса. Каждый узел также имеет список значений, называемых смещениями. Значение каждого слоя является результатом функции активации значений текущего слоя (называемых X), умноженных на веса.

A c t i v a t i o n ( W ( e i g h t s ) ∗ X + b ( i a s ) ) {\displaystyle Активация(W(eights)*X+b(ias))}

Для сети определяется функция затрат. Функция потерь пытается оценить, насколько хорошо нейронная сеть справляется с поставленной перед ней задачей. Наконец, применяется метод оптимизации, чтобы минимизировать выход функции затрат путем изменения весов и смещений сети. Этот процесс называется обучением. Обучение проводится по одному маленькому шагу за раз. После тысяч шагов сеть, как правило, способна довольно хорошо справляться с поставленной перед ней задачей.

Рассмотрим программу, которая проверяет, жив ли человек. Она проверяет две вещи - пульс и дыхание. Если у человека есть пульс или он дышит, программа выводит "жив", в противном случае - "мертв". В программе, которая не обучается со временем, это было бы записано как:

Очень простая нейронная сеть, состоящая всего из одного нейрона, которая решает одну и ту же задачу, будет выглядеть следующим образом:

Значения пульса, дыхания и жив будут либо 0, либо 1, представляя собой ложь и истину. Таким образом, если этому нейрону дать значения (0,1), (1,0) или (1,1), он должен выдать 1, а если дать (0,0), он должен выдать 0. Нейрон делает это, применяя простую математическую операцию на входе - он складывает вместе все значения, которые ему были даны, а затем добавляет свое собственное скрытое значение, которое называется "смещение". Вначале это скрытое значение является случайным, и мы регулируем его со временем, если нейрон не дает нам желаемого выхода.

Если мы сложим вместе такие значения, как (1,1), то в итоге получим число больше 1, но мы хотим, чтобы наш выход был между 0 и 1! Чтобы решить эту проблему, мы можем применить функцию, которая ограничивает наш фактический выход 0 или 1, даже если результат математических вычислений нейрона не находится в этом диапазоне. В более сложных нейронных сетях мы применяем функцию (например, сигмоиду) к нейрону, чтобы его значение было между 0 и 1 (например, 0,66), а затем передаем это значение следующему нейрону до тех пор, пока нам не понадобится наш выход.

Существует три способа обучения нейронной сети: контролируемое обучение, неконтролируемое обучение и обучение с подкреплением. Все эти методы работают путем минимизации или максимизации функции стоимости, но каждый из них лучше справляется с определенными задачами.

Недавно исследовательская группа из Университета Хартфордшира (Великобритания) использовала обучение с подкреплением, чтобы заставить человекоподобного робота iCub научиться произносить простые слова с помощью лепета.