Hvad er et neuralt netværk?
På en typisk computer, lavet i henhold til det, der kaldes en von Neumann -arkitektur, bor hukommelsesbanker i et isoleret modul. Der er kun en processor, der behandler instruktioner og hukommelse omskriver en efter en ved hjælp af en seriel arkitektur. En anden tilgang til computing er det neurale netværk. I et neuralt netværk, der består af tusinder eller endda millioner af individuelle "neuroner" eller "noder", er al behandling meget parallel og distribueret. "Memories" gemmes inden for de komplekse sammenkoblinger og vægtninger mellem knudepunkter.
neurale netværk er den type computerarkitektur, der bruges af dyrehjerner i naturen. Dette er ikke nødvendigvis fordi det neurale netværk er en iboende overlegen forarbejdningstilstand end seriel computing, men fordi en hjerne, der bruger seriel computing, ville være meget vanskeligere at udvikle sig trinvist. Neurale netværk har også en tendens til at håndtere "støjende data" bedre end serielle computere.
I et fremadrettet neuralt netværkLedet med specialiserede noder indtager information og sender derefter et signal til et andet lag baseret på de oplysninger, det modtog udefra. Disse oplysninger er normalt et binært "ja eller nej" signal. Nogle gange for at bevæge sig fra et "nej" til et "ja", skal noden opleve en bestemt tærskelmængde af spænding eller stimulering.
Data bevæger sig fra inputlaget til de sekundære og tertiære lag, og så videre, indtil det når et sidste "outputlag", der viser resultater på en skærm for programmerere at analysere. Den menneskelige nethinde fungerer baseret på neurale netværk. Første niveau -knudepunkter registrerer enkle geometriske funktioner i det visuelle felt, som farver, linjer og kanter. Sekundære knudepunkter begynder at abstrahere mere sofistikerede funktioner, såsom bevægelse, tekstur og dybde. Den sidste "output" er, hvad vores bevidsthed registrerer, når vi ser på det visuelle felt. Det oprindelige input er kun et komplekst arrangementaf fotoner, der ville betyde lidt uden den neurologiske hardware for at give mening om det med hensyn til meningsfulde kvaliteter, såsom ideen om et varigt objekt.
I backpropagering af neurale netværk kan output fra tidligere lag vende tilbage til disse lag for at begrænse yderligere signaler. De fleste af vores sanser fungerer på denne måde. De oprindelige data kan få en "uddannet gæt" på det endelige resultat, efterfulgt af at se på fremtidige data i sammenhæng med det uddannede gæt. I optiske illusioner gør vores sanser uddannede gæt, der viser sig at være forkerte.
I stedet for at programmere neurale netværksalgoritmisk, skal programmerere konfigurere et neuralt netværk med træning eller delikat tuning af individuelle neuroner. F.eks>