Hvad er et neuralt netværk?

I en typisk computer, der er lavet i henhold til hvad 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 bestående af tusinder eller endda millioner af individuelle "neuroner" eller "knudepunkter" er al behandling meget parallel og distribueret. "Memories" gemmes i de komplekse sammenkoblinger og vægtninger mellem noder.

Neural netværk er den type computearkitektur, der anvendes af dyrehjerner i naturen. Dette er ikke nødvendigvis fordi det neurale netværk er en iboende overlegen behandlingsform 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 netværk indtager et "input-lag" fyldt med specialiserede knudepunkter information, og sender derefter et signal til et andet lag baseret på den information, det modtog udefra. Denne information 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 spænding eller stimulering.

Data bevæger sig fra inputlaget til det sekundære og tertiære lag osv., Indtil de når et endeligt "outputlag", der viser resultater på en skærm, som programmerere kan analysere. Den menneskelige nethinde arbejder baseret på neurale netværk. Noder på første niveau registrerer enkle geometriske funktioner i det visuelle felt, som farver, linjer og kanter. Sekundære noder begynder at abstrahere mere sofistikerede funktioner, såsom bevægelse, tekstur og dybde. Den sidste "output" er, hvad vores bevidsthed registrerer, når vi ser på det synlige felt. Den indledende input er bare et komplekst arrangement af fotoner, der ville betyde lidt uden den neurologiske hardware at give mening om det med hensyn til meningsfulde kvaliteter, såsom ideen om et varigt objekt.

I backpropagating 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 anmode om et "uddannet gæt" ved 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 netværk algoritmisk, skal programmerere konfigurere et neuralt netværk med træning eller delikat indstilling af individuelle neuroner. For eksempel ville træning af et neuralt netværk til at genkende ansigter kræve mange træningskørsler, hvor forskellige "ansigtsfulde" og "upræcise" objekter blev vist til netværket, ledsaget af positiv eller negativ feedback for at lokke det neurale netværk til forbedring af genkendelsesevner.