ღრმა ნერვული ქსელები: რა არის ისინი და როგორ მუშაობენ

ღრმა ნერვული ქსელები არის კონცეფცია, რომელიც წარმოადგენს ძირითად ტექნოლოგიურ არქიტექტურას, რომელიც გამოიყენება ღრმა სწავლის მოდელებში. ამ სტრუქტურების გაგება შეუძლებელია ხელოვნური ნერვული ქსელების ზოგადი იდეის გაგების გარეშე, რომელიც ფუნდამენტურია ხელოვნური ინტელექტისთვის.

ნერვული ქსელები გამოიყენება ათასი რამისთვის: ნომრების, სიმღერების, სახეების, ხმების ან თუნდაც ხილის ამოცნობა ჩვენს სამზარეულოში. ისინი განსაკუთრებით სასარგებლო ტექნოლოგიაა და, მიუხედავად იმისა, რომ სულ ახლახან გახდა პრაქტიკული, ისინი გახდებიან კაცობრიობის მომავალი.

შემდეგი ჩვენ ვაპირებთ სიღრმისეულად დავინახოთ ხელოვნური ნერვული ქსელების იდეა და ღრმა, იმის გაგება, თუ როგორ მუშაობენ ისინი, როგორ ივარჯიშებენ და როგორ ხდება ურთიერთქმედება მათ შემადგენელ სხვადასხვა ნეირონებს შორის.

დაკავშირებული სტატია: „რა არის კოგნიტური მეცნიერება? მისი ძირითადი იდეები და განვითარების ფაზები“

რა არის ღრმა ნერვული ქსელები და რა ახასიათებს მათ?

ღრმა ნერვული ქსელებია ერთ-ერთი ყველაზე მნიშვნელოვანი ტექნოლოგიური არქიტექტურა, რომელიც გამოიყენება Deep Learning ან Deep Learning-ში

instagram story viewer

. ამ კონკრეტულ ხელოვნურ ქსელებს ჰქონდათ თავბრუდამხვევი ზრდა ბოლო წლებში, რადგან ისინი ქმნიან ფუნდამენტურ ასპექტს, როდესაც საქმე ეხება ყველა სახის ნიმუშის ამოცნობას. ხელოვნური ინტელექტი არსებობს ამ კონკრეტული ქსელების ფუნქციონირების წყალობით, რომლებშიც არსებითად, ისინი წარმოადგენენ იმის ასლს, თუ როგორ მუშაობს ჩვენი ტვინი, თუმცა ტექნოლოგიურ და მათემატიკა.

სანამ უფრო ღრმა ნერვულ ქსელებს განვიხილავთ, ჯერ უნდა გავიგოთ, როგორ მუშაობს ხელოვნური ნერვული ქსელები ზოგადად და რისთვის არიან ისინი განკუთვნილი. ლნერვული ქსელები არის "მანქანური სწავლების" ფილიალი, რომელმაც დიდი გავლენა მოახდინა ბოლო წლებში, ეხმარება პროგრამისტებს და კომპიუტერულ მეცნიერებს შექმნან ისეთი რამ, როგორიცაა ჩეთბოტები, რომლებიც მათთან საუბრისას გვაფიქრებინებს, რომ რეალურ ადამიანებს ვესაუბრებით.

ხელოვნური ნერვული ქსელები ასევე გამოყენებულია თვითმართვადი მანქანებთან, მობილური აპლიკაციები, რომლებიც აღიარებენ ჩვენს სახეს და გარდაქმნიან მას, რაც ჩვენ გვინდა და მრავალი სხვა ფუნქციები. მისი გამოყენებადობა ძალიან ფართოა, ემსახურება თანამედროვე ხელოვნური ინტელექტის საფუძველს და აქვს გაუთავებელი სასარგებლო გამოყენება ჩვენს ყოველდღიურ ცხოვრებაში.

ხელოვნური ნერვული ქსელები

წარმოვიდგინოთ, რომ ჩვენს სამზარეულოში ვართ და გადავწყვიტეთ მოვძებნოთ ფორთოხალი, ეს ძალიან მარტივი ამოცანაა.. ჩვენ ვიცით როგორ ამოვიცნოთ ფორთოხალი ძალიან მარტივად და ასევე ვიცით როგორ განვასხვავოთ ის სხვა ხილისგან, რომელსაც სამზარეულოში ვპოულობთ, როგორიცაა ბანანი, ვაშლი და მსხალი. როგორც? იმიტომ, რომ ჩვენს ტვინში ძალიან შევითვისეთ ფორთოხლის ტიპიური თვისებები: მისი მისი ზომა, ფორმა, ფერი, რა სუნი აქვს... ეს არის ყველა პარამეტრი, რომელსაც ვიყენებთ ფორთოხალი.

ეს მარტივი ამოცანაა ადამიანებისთვის, მაგრამ... კომპიუტერსაც შეუძლია ამის გაკეთება? პასუხი არის დიახ. პრინციპში, საკმარისი იქნებოდა იგივე პარამეტრების განსაზღვრა და მნიშვნელობის მინიჭება კვანძს ან რამეს, რომელსაც კარგად შეგვიძლია ვუწოდოთ "ხელოვნური ნეირონი". ამ ნეირონს ვეუბნებოდით, როგორია ფორთოხალი, რაც მიუთითებს მათ ზომაზე, წონაზე, ფორმაზე, ფერზე ან ნებისმიერ სხვა პარამეტრზე, რომელსაც ამ ნაყოფს მივაწერთ. ამ ინფორმაციის გათვალისწინებით, მოსალოდნელია, რომ ნეირონმა იცის როგორ ამოიცნოს ფორთოხალი, როდესაც მას წარუდგენს.

თუ ჩვენ კარგად შევარჩიეთ პარამეტრები, თქვენთვის ადვილი იქნება განასხვავოთ ფორთოხალი და არა ფორთოხალი, უბრალოდ ამ მახასიათებლების გათვალისწინებით. როდესაც წარმოდგენილი იქნება ნებისმიერი ხილის გამოსახულება, ეს ნეირონი მოძებნის მახასიათებლებს ასოცირდება ნარინჯისფერთან და გადაწყვიტეთ შეიტანოთ იგი კატეგორიაში „ფორთოხალი“ თუ კატეგორიაში „სხვა ხილი". სტატისტიკური თვალსაზრისით, ეს იქნება რეგიონის პოვნა პარამეტრულ გრაფიკში, რომელიც შეესაბამება არსებულს ვეძებთ რეგიონს, რომელიც მოიცავს ხილის ყველა ნაჭერს, რომლებსაც აქვთ იგივე ზომა, ფორმა, ფერი, წონა და არომატი. ფორთოხალი.

თავიდან ეს ყველაფერი ძალიან მარტივად ჟღერს კოდირებად და სინამდვილეში ასეა. ძალიან კარგად მუშაობს ფორთოხლის ბანანის ან ვაშლისგან განასხვავება, რადგან მათ აქვთ განსხვავებული ფერი და ფორმა. თუმცა, რა მოხდება, თუ გრეიფრუტს მოგცემთ? და ძალიან დიდი მანდარინი? ეს არის ხილი, რომელიც შეიძლება მშვენივრად აირიოს ფორთოხალში. შეძლებს თუ არა ხელოვნური ნეირონი თავისთავად განასხვავოს ფორთოხალი და გრეიფრუტი? პასუხი არის არა, და სინამდვილეში ისინი ალბათ ერთნაირია.

ხელოვნური ნეირონების მხოლოდ ერთი ფენის გამოყენების პრობლემა, ან რაც იგივეა, ჯერ მხოლოდ მარტივი ნეირონების გამოყენებით, არის ის შექმენით ძალიან არაზუსტი გადაწყვეტილების საზღვრები, როდესაც წარმოგიდგენთ რაღაცას, რომელსაც აქვს მრავალი საერთო მახასიათებელი, რაც თქვენ უნდა იცოდეთ., მაგრამ სინამდვილეში ასე არ არის. თუ წარმოგიდგენთ რაღაცას, რომელიც ფორთოხლის მსგავსია, მაგალითად, გრეიფრუტი, თუნდაც ეს არ იყოს ეს ხილი, ის განსაზღვრავს მას, როგორც ასეთს.

ეს გადაწყვეტილების საზღვრები, თუ ისინი წარმოდგენილია გრაფიკის სახით, ყოველთვის იქნება წრფივი. ერთი ხელოვნური ნეირონის გამოყენება, ანუ ერთი კვანძი, რომელსაც აქვს ინტეგრირებული პარამეტრები კონკრეტული, მაგრამ მათ მიღმა ვერ ვისწავლით, ძალიან ახლო გადაწყვეტილების საზღვრები იქნება მიღებული. დიფუზური. მისი მთავარი შეზღუდვა არის ის, რომ იყენებს ორ სტატისტიკურ მეთოდს, კონკრეტულად მრავალკლასიან რეგრესიას და ლოგისტიკური რეგრესია, რაც ნიშნავს, რომ ეჭვის შემთხვევაში ის მოიცავს იმას, რაც არ არის ის, რაც ჩვენ ველოდით. ამოიცნობს.

თუ ჩვენ ყველა ხილს დავყოფთ "ფორთოხალად" და "არა ფორთოხალად", მხოლოდ ერთი ნეირონის გამოყენებით ცხადი ხდება, რომ ბანანი, მსხალი, ვაშლი, საზამთრო და ნებისმიერი ხილი, რომელიც არ შეესაბამება ზომას, ფერს, ფორმას, არომატს და ა.შ. ფორთოხალი”. თუმცა, გრეიფრუტი და მანდარინი მათ "ფორთოხლის" კატეგორიაში შეაქვთ და აკეთებენ იმ საქმეს, რისთვისაც ისინი ცუდად არის შექმნილი.

და როდესაც ვსაუბრობთ ფორთოხალზე და გრეიფრუტზე, შეგვიძლია ვისაუბროთ ძაღლებზე და მგლებზე, ქათმებზე და ქათმებზე, წიგნებზე და რვეულებზე... ეს სიტუაციები არის შემთხვევები, როდესაც „თუ...“-ების („თუ...“) მარტივი სერია არ იქნება საკმარისი ერთისა და მეორის მკაფიოდ გარჩევისთვის. სხვა. საჭიროა უფრო რთული, არაწრფივი სისტემა, რომელიც უფრო ზუსტია, როდესაც საქმე ეხება სხვადასხვა ელემენტებს შორის დიფერენცირებას. რაღაც, რაც ითვალისწინებს, რომ მსგავსებებს შორის შეიძლება იყოს განსხვავებები. სწორედ აქ შემოდის ნერვული ქსელები.

მეტი ფენა, უფრო ჰგავს ადამიანის ტვინს

ხელოვნური ნერვული ქსელები, როგორც მათი სახელიდან ჩანს, არის გამოთვლითი ხელოვნური მოდელები, რომლებიც შთაგონებულია ადამიანის ტვინის ნერვულ ქსელებში, ქსელები, რომლებიც რეალურად ბაძავენ ამ ორგანოს ფუნქციონირებას ბიოლოგიური. ეს სისტემა შთაგონებულია ნერვული ფუნქციონირებით და მისი მთავარი გამოყენება არის ამოცნობა ყველა სახის ნიმუში: სახის იდენტიფიკაცია, ხმის ამოცნობა, თითის ანაბეჭდი, ხელწერა, სანომრე ნიშნები… ნიმუშის ამოცნობა მუშაობს თითქმის ყველაფერზე..

იმის გამო, რომ არსებობს სხვადასხვა ნეირონები, პარამეტრები, რომლებიც გამოიყენება, მრავალფეროვანია და უფრო მაღალი ხარისხის სიზუსტეა მიღებული. ეს ნერვული ქსელები არის სისტემები, რომლებიც საშუალებას გვაძლევს გამოვყოთ ელემენტები კატეგორიებად, როდესაც განსხვავება შეიძლება იყოს დახვეწილი, მათი განცალკევება არაწრფივი გზით, რაც სხვაგვარად შეუძლებელი იქნებოდა მანერა.

ერთი კვანძით, ერთი ნეირონით, რაც კეთდება ინფორმაციის დამუშავებისას არის მრავალკლასიანი რეგრესია. მეტი ნეირონების დამატებით, რადგან თითოეულ მათგანს აქვს საკუთარი არაწრფივი აქტივაციის ფუნქცია, რაც, უფრო მარტივ ენაზე თარგმნით, აძლევს მათ გადაწყვეტილების საზღვრებს. უფრო ზუსტად, გრაფიკულად გამოსახული მრუდი ფორმით და მეტი მახასიათებლების გათვალისწინებით „ფორთოხლის“ და „არა ფორთოხლის“ დიფერენცირებისას, გავაგრძელოთ ამ მაგალითით.

ამ გადაწყვეტილების საზღვრების გამრუდება პირდაპირ იქნება დამოკიდებული იმაზე, თუ რამდენ ფენას ვამატებთ ნეირონს ჩვენს ნერვულ ქსელში. ნეირონების ის ფენები, რომლებიც სისტემას უფრო რთულს და ზუსტს ხდის, სინამდვილეში ღრმა ნერვული ქსელებია. პრინციპში, რაც უფრო მეტი ფენა გვექნება ღრმა ნერვული ქსელები, მით უფრო ზუსტი და მსგავსი იქნება პროგრამა ადამიანის ტვინთან შედარებით.

მოკლედ, ნერვული ქსელები სხვა არაფერია ინტელექტუალური სისტემა, რომელიც უფრო ზუსტი გადაწყვეტილებების მიღების საშუალებას იძლევა, ისევე, როგორც ჩვენ ადამიანები ამას ვაკეთებთ. ადამიანი ემყარება გამოცდილებას, სწავლობს ჩვენი გარემოდან. მაგალითად, დავუბრუნდეთ ფორთოხლისა და გრეიფრუტის საქმეს, თუ ჩვენ არასდროს გვინახავს, მშვენივრად ჩავთვლით მას ფორთოხალში. როდესაც ჩვენ გავეცანით მას, ეს იქნება მაშინ, როდესაც უკვე ვიცით როგორ ამოვიცნოთ იგი და განვასხვავოთ იგი ფორთოხლისგან.

პირველი, რაც კეთდება, არის გარკვეული პარამეტრის მიცემა ნერვულ ქსელებში, რათა მათ იცოდნენ, როგორია ჩვენ გვინდა ვისწავლოთ იდენტიფიცირება. შემდეგ მოდის სწავლის ან ტრენინგის ფაზა, რათა ის სულ უფრო ზუსტი იყოს და თანდათანობით ჰქონდეს ცდომილების ნაკლები ზღვარი. ეს ის დროა, როცა ჩვენს ნერვულ ქსელს ფორთოხალი და სხვა ხილი წარმოვადგენთ. ტრენინგის ფაზაში მათ მიეცემათ შემთხვევები, როდესაც ისინი ნარინჯისფერი არიან და შემთხვევები, როდესაც ისინი არ არიან ნარინჯისფერი, ეძებენ თუ არა მათ პასუხი სწორად და ეტყვიან მათ სწორ პასუხს.

ჩვენ შევეცდებით არაერთი მცდელობა და რეალობასთან მაქსიმალურად მიახლოება.. ამ გზით ჩვენ ვეხმარებით ნერვულ ქსელს იმუშაოს იმ დროისთვის, როცა რეალური შემთხვევები მოდის და მან იცის როგორ განასხვავოს სწორად, ისევე, როგორც ამას ადამიანი გააკეთებს რეალურ ცხოვრებაში. თუ ტრენინგი იყო ადეკვატური, აირჩიე კარგი ამოცნობის პარამეტრები და კარგად არის კლასიფიცირებული, ნერვულ ქსელს ექნება შაბლონის ამოცნობის წარმატების ძალიან მაღალი მაჩვენებელი. მაღალი.

შეიძლება დაგაინტერესოთ: "როგორ მუშაობენ ნეირონები?"

რა არის ისინი და როგორ მუშაობენ ისინი ზუსტად?

ახლა, როდესაც ჩვენ დავინახეთ ზოგადი იდეა იმის შესახებ, თუ რა არის ნერვული ქსელები და ჩვენ ვაპირებთ უფრო სრულად გავიგოთ რა არის ისინი და როგორ მუშაობს ადამიანის ტვინის ნეირონების ეს ემულატორები და სად ხატავს ამ ყველაფერში ღრმა ნერვული ქსელები პროცესი.

წარმოვიდგინოთ, რომ გვაქვს შემდეგი ნერვული ქსელი: გვაქვს ხელოვნური ნეირონების სამი ფენა. ვთქვათ, რომ პირველ ფენას აქვს 4 ნეირონი ან კვანძი, მეორეს 3, ხოლო ბოლოში მხოლოდ 2. ეს ყველაფერი ხელოვნური ნერვული ქსელის მაგალითია, საკმაოდ მარტივი გასაგები.

პირველი ფენა არის ის, რომელიც იღებს მონაცემებს.ანუ ინფორმაცია, რომელიც შეიძლება იყოს ხმის, გამოსახულების, არომატის, ელექტრული იმპულსების სახით... ეს პირველი ფენა არის შეყვანის ფენა და პასუხისმგებელია ყველა მონაცემის მიღებაზე, რათა შემდგომში შეძლოს მისი გაგზავნა შემდეგში ფენები. ჩვენი ნერვული ქსელის ტრენინგის დროს, ეს იქნება ის ფენა, რომლითაც ჩვენ ვაპირებთ მუშაობას პირველ რიგში მონაცემებს, რომლებსაც ჩვენ გამოვიყენებთ, რათა დავინახოთ, რამდენად კარგად აკეთებთ წინასწარმეტყველებას ან თქვენს მიერ მოწოდებული ინფორმაციის იდენტიფიკაციას აძლევს.

ჩვენი ჰიპოთეტური მოდელის მეორე ფენა არის ფარული ფენა, რომელიც ზის პირველი და ბოლო ფენების შუაში., თითქოს ჩვენი ნერვული ქსელი იყოს სენდვიჩი. ამ მაგალითში ჩვენ გვაქვს მხოლოდ ერთი ფარული ფენა, მაგრამ შეიძლება იყოს იმდენი, რამდენიც გვინდა. ჩვენ შეგვიძლია ვისაუბროთ 50, 100, 1000 ან თუნდაც 50,000 ფენაზე. არსებითად, ეს ფარული ფენები არის ნერვული ქსელის ნაწილი, რომელსაც ჩვენ ღრმა ნერვულ ქსელს დავარქმევთ. რაც უფრო დიდია სიღრმე, მით უფრო რთულია ნერვული ქსელი.

საბოლოოდ გვაქვს ჩვენი მაგალითის მესამე ფენა, რომელიც არის გამომავალი ფენა. ეს ფენა, როგორც მისი სახელი მიუთითებს, პასუხისმგებელია წინა ფენებიდან ინფორმაციის მიღებაზე, გადაწყვეტილების მიღებაზე და პასუხის ან შედეგის მიცემაზე.

ნერვულ ქსელში თითოეული ხელოვნური ნეირონი დაკავშირებულია ყველა შემდეგთან. ჩვენს მაგალითში, სადაც ჩვენ განვაცხადეთ, რომ გვაქვს სამი ფენა 4, 3 და 2 ნეირონისგან, შეყვანის ფენის 4 არის დაკავშირებულია ფარული ფენის 3-თან, ხოლო ფარული ფენის 3 გამომავალი 2-თან, რაც ჯამში გვაძლევს 18-ს კავშირები.

ყველა ეს ნეირონი დაკავშირებულია შემდეგი ფენის ნეირონებთან და აგზავნის ინფორმაციას შეყვანის->დამალული->გამომავალი მიმართულებით.. მეტი ფარული ფენა რომ ყოფილიყო, ჩვენ ვისაუბრებდით კავშირების უფრო დიდ რაოდენობაზე, ინფორმაციის გადაგზავნას ფარული ფენიდან ფარულ ფენაზე, სანამ არ მიაღწევს გამომავალ ფენას. გამომავალი ფენა, როგორც კი მიიღებს ინფორმაციას, რას გააკეთებს არის ის, რომ მოგვცემს შედეგს მიღებული ინფორმაციისა და მისი დამუშავების ხერხის საფუძველზე.

როდესაც ჩვენ ვავარჯიშებთ ჩვენს ალგორითმს, ანუ ჩვენს ნერვულ ქსელს, ეს პროცესი, რომელიც ახლახან ავხსენით, ბევრჯერ განხორციელდება. ჩვენ ვაპირებთ გარკვეული მონაცემების მიწოდებას ქსელში, ვაპირებთ ვნახოთ რას მოგვცემს შედეგი და ვაპირებთ გავაანალიზოთ და შევადაროთ იმას, რასაც ველოდით, რომ შედეგი მოგვცემდა. თუ მოსალოდნელსა და მიღებულს შორის დიდი განსხვავებაა, ეს ნიშნავს, რომ ცდომილების მაღალი ზღვარია და, შესაბამისად, აუცილებელია რამდენიმე მოდიფიკაციის შეტანა.

როგორ მუშაობს ხელოვნური ნეირონები?

ახლა ჩვენ ვაპირებთ გავიგოთ ნეირონების ინდივიდუალური ფუნქციონირება, რომლებიც მუშაობენ ნერვულ ქსელში. ნეირონი იღებს ინფორმაციას წინა ნეირონისგან. ვთქვათ, რომ ეს ნეირონი იღებს სამ საინფორმაციო შეყვანას, რომელთაგან თითოეული მოდის წინა ფენის სამი ნეირონიდან. თავის მხრივ, ეს ნეირონი წარმოქმნის გამოსავალს, ამ შემთხვევაში ვთქვათ, რომ ის დაკავშირებულია მხოლოდ შემდეგი ფენის ნეირონთან.

ყოველი კავშირი, რომელიც ამ ნეირონს აქვს წინა ფენის სამ ნეირონთან, მოაქვს "x" მნიშვნელობას, რაც არის მნიშვნელობა, რომელსაც წინა ნეირონი გვიგზავნის.; და მას ასევე აქვს მნიშვნელობა "w", რაც არის ამ კავშირის წონა. წონა არის ღირებულება, რომელიც გვეხმარება, მეტი მნიშვნელობა მივცეთ ერთ კავშირს სხვებთან შედარებით. მოკლედ, თითოეულ კავშირს წინა ნეირონებთან აქვს "x" და "w" მნიშვნელობა, რომლებიც მრავლდება (x·w).

ჩვენც ვაპირებთ მნიშვნელობა სახელად "მიკერძოება" ან მიკერძოება წარმოდგენილია "b"-ით, რაც არის შეცდომის რიცხვი, რომელიც ხელს უწყობს გარკვეულ ნეირონებს უფრო ადვილად გააქტიურდნენ, ვიდრე სხვები.. გარდა ამისა, ჩვენ გვაქვს აქტივაციის ფუნქცია ნეირონში, რაც განაპირობებს სხვადასხვა ელემენტების კლასიფიკაციის ხარისხს (გვ. გ., ფორთოხალი) არ არის წრფივი. თავისთავად, თითოეულ ნეირონს აქვს გასათვალისწინებელი სხვადასხვა პარამეტრი, რაც მთელ სისტემას, ეს არის ნერვული ქსელი, კლასიფიცირდება არაწრფივი გზით.

როგორ იცის ნეირონმა უნდა გააქტიურდეს თუ არა? ანუ როდის იცით, უნდა გაგზავნოთ თუ არა ინფორმაცია შემდეგ ფენაში? კარგად, ეს გადაწყვეტილება რეგულირდება შემდეგი განტოლებით:

ეს ფორმულა ნიშნავს, რომ ყველა წონის "w" ჯამი გამრავლებული "x"-ის ყველა მნიშვნელობზე, რომელსაც ნეირონი იღებს წინა ფენიდან, უნდა დამზადდეს. ამას ემატება მიკერძოება „ბ“.

ამ განტოლების შედეგი იგზავნება აქტივაციის ფუნქციაზე, რომელიც უბრალოდ ფუნქციაა, რომელიც გვეუბნება, რომ თუ ამ განტოლების შედეგი ა-ზე მეტია გარკვეული რიცხვი, ნეირონი სიგნალს გაუგზავნის შემდეგ ფენას და თუ ნაკლებია, მაშინ არა გასაგზავნად ასე რომ, ხელოვნური ნეირონი წყვეტს, გაგზავნოს თუ არა ინფორმაცია ნეირონებისთვის შემდეგნაირად: ფენა გამოსავლის საშუალებით, რომელსაც ჩვენ დავარქმევთ "y", გამომავალი, რომელიც, თავის მხრივ, არის შემდეგი "x" შეყვანა. ნეირონი.

და როგორ ავარჯიშებ მთელ ქსელს?

პირველი, რაც კეთდება, არის მონაცემების მიწოდება პირველ ფენაში, როგორც ეს უკვე აღვნიშნეთ. ეს ფენა გადასცემს ინფორმაციას შემდეგ ფენებს, რომლებიც ფარული ფენებია ან ღრმა ნერვული ქსელი. ამ ფენების ნეირონები გააქტიურდებიან თუ არა მიღებული ინფორმაციის მიხედვით. საბოლოოდ, გამომავალი ფენა მოგვცემს შედეგს, რომელსაც შევადარებთ იმ მნიშვნელობას, რომელსაც ველოდით, რათა დავინახოთ, ისწავლა თუ არა ნერვულმა ქსელმა, რა უნდა გააკეთოს სწორად.

თუ მან კარგად ვერ ისწავლა, ჩვენ განვახორციელებთ სხვა ინტერაქციას, ანუ ჩვენ კიდევ ერთხელ წარმოგიდგენთ ინფორმაციას და ვნახავთ, როგორ იქცევა ნერვული ქსელი. მიღებული შედეგებიდან გამომდინარე, დარეგულირდება "b" მნიშვნელობები, ანუ თითოეული ნეირონის მიკერძოება და "w", ეს არის თითოეული კავშირის წონა თითოეულ ნეირონთან შეცდომის შესამცირებლად. იმის გასარკვევად, თუ რამდენად დიდია ეს შეცდომა, ჩვენ ვაპირებთ გამოვიყენოთ სხვა განტოლება, რომელიც არის შემდეგი:

ეს განტოლება არის ძირის საშუალო კვადრატული შეცდომა. ჩვენ ვაპირებთ y (x) ჯამის გაკეთებას, რაც არის მნიშვნელობა, რომელიც მოგვცა ჩვენმა ქსელმა ურთიერთქმედების მინუს „a“, რაც არის მნიშვნელობა, რომელსაც ველოდით, რომ მოგვცემდა, ამაღლებული კვადრატში. დაბოლოს, ჩვენ ვაპირებთ ამ ჯამის გამრავლებას 1/2n-ზე, რაც არის "n" იმ ურთიერთქმედებების რიცხვი, რომელიც ჩვენ გავაგზავნეთ ჩვენი ნერვული ქსელის მოსამზადებლად.

მაგალითად, დავუშვათ, რომ გვაქვს შემდეგი მნიშვნელობები

პირველი სვეტი „y (x)“ წარმოადგენს იმას, რაც მოგვცა ჩვენმა ქსელმა ოთხივე ურთიერთქმედებიდან, რომელიც ჩვენ გამოვცადეთ. მნიშვნელობები, რომლებიც ჩვენ მივიღეთ, როგორც ჩანს, არ შეესაბამება მეორე სვეტის "a" მნიშვნელობებს, რომლებიც არის სასურველი მნიშვნელობები თითოეული შემოწმებული ურთიერთქმედებისთვის. ბოლო სვეტი წარმოადგენს თითოეული ურთიერთქმედების შეცდომას.

ზემოაღნიშნული ფორმულის გამოყენება და ამ მონაცემების აქ გამოყენება, იმის გათვალისწინებით, რომ ამ შემთხვევაში n = 4 (4 ურთიერთქმედებები) გვაძლევს მნიშვნელობას 3.87, რაც არის საშუალო კვადრატული შეცდომა, რომელიც ჩვენს ნერვულ ქსელს აქვს ამ მომენტები. შეცდომის ცოდნა, რაც ახლა უნდა გავაკეთოთ, არის, როგორც უკვე აღვნიშნეთ, შევცვალოთ მიკერძოება და თითოეული ნეირონის წონა და მათი ურთიერთქმედება იმ განზრახვით, რომ ამ გზით არის შეცდომა შემცირება.

ამ ეტაპზე ინჟინრები და კომპიუტერული მეცნიერები მიმართავენ ალგორითმი, რომელსაც ეწოდება გრადიენტული დაღმართი რომლითაც მათ შეუძლიათ მიიღონ მნიშვნელობები თითოეული ხელოვნური ნეირონის მიკერძოებისა და წონის შესამოწმებლად და შესაცვლელად ასე რომ, ამ გზით, მზარდი დაბალი შეცდომა მიიღება, რაც უახლოვდება პროგნოზს ან შედეგს სურდა. ეს არის ტესტირების საკითხი და რაც მეტი ურთიერთქმედება მოხდება, მით მეტი ტრენინგი იქნება და ქსელი მეტს ისწავლის.

მას შემდეგ, რაც ნერვული ქსელი ადეკვატურად გაწვრთნილი იქნება, ის მოგვცემს ზუსტ და სანდო პროგნოზებსა და იდენტიფიკაციას. ამ ეტაპზე ჩვენ გვექნება ქსელი, რომელსაც თითოეულ ნეირონში ექნება მნიშვნელობა განსაზღვრული წონა, კონტროლირებადი მიკერძოებით და გადაწყვეტილების მიღების უნარით, რაც სისტემას შექმნის მუშაობა.

ბიბლიოგრაფიული ცნობები:

პუიგი, ა. [AMP Tech] (2017, 28 ივლისი). როგორ მუშაობს ნერვული ქსელები? [ვიდეო ფაილი]. Გამოჯანმრთელდა https://www.youtube.com/watch? v=IQMoglp-fBk&ab_channel=AMPTech
სანტაოლალა, ჯ. [მოეცით საკუთარ თავს ვლოგი] (2017, 11 აპრილი) CienciaClip Challenge - რა არის ნერვული ქსელები? [ვიდეო ფაილი]. https://www.youtube.com/watch? v=rTpr6DuY4LU&ab_channel=DateunVlog
შმიდჰუბერი, ჯ. (2015). "ღრმა სწავლა ნერვულ ქსელებში: მიმოხილვა". Ნეირონული ქსელები. 61: 85–117. arXiv: 1404.7828. doi: 10.1016/j.neunet.2014.09.003. PMID 25462637. S2CID 11715509