Was ist ein neuronales Netzwerk?

In einem typischen Computer, der nach einer sogenannten von von Neumann -Architektur bezeichnet wird, leben Speicherbanken in einem isolierten Modul. Es gibt nur einen Prozessor, der Anweisungen verarbeitet und Speicher nacheinander nacheinander umschreibt, wobei eine serielle Architektur verwendet wird. Ein anderer Ansatz für das Computer ist das neuronale Netzwerk. In einem neuronalen Netzwerk, das aus Tausenden oder sogar Millionen einzelner "Neuronen" oder "Knoten" besteht, ist die gesamte Verarbeitung sehr parallel und verteilt. "Erinnerungen" werden in den komplexen Verbindungen und Gewichtungen zwischen Knoten gespeichert.

Neurales Netzwerk ist die Art der Computerarchitektur, die von Tierhirn in der Natur verwendet wird. Dies ist nicht unbedingt daran, dass das neuronale Netzwerk eine von Natur aus überlegene Verarbeitungsart als serielles Computing ist, sondern weil ein Gehirn, das serielles Computing verwendet, inkrementell viel schwieriger zu entwickeln ist. Neuronale Netzwerke befassen sich auch mit "lauten Daten" besser als serielle Computer.LED mit speziellen Knoten nimmt Informationen auf und sendet dann ein Signal an eine zweite Ebene, basierend auf den von außen empfangenen Informationen. Diese Informationen sind normalerweise ein binäres "Ja oder Nein" -Signal. Manchmal muss der Knoten von einem "Nein" zu einem "Ja" wechseln, um eine bestimmte Schwellenwerte an Aufregung oder Stimulation zu erleben.

Daten bewegt sich von der Eingangsschicht zu den sekundären und tertiären Schichten usw. Die menschliche Retina arbeitet auf neuronalen Netzwerken. Knoten der ersten Ebene erkennen einfache geometrische Merkmale im Gesichtsfeld wie Farben, Linien und Kanten. Sekundärknoten beginnen, anspruchsvollere Merkmale wie Bewegung, Textur und Tiefe abstrahieren. Die endgültige "Ausgabe" ist das, was unser Bewusstsein registriert, wenn wir uns das Gesichtsfeld ansehen. Die erste Eingabe ist nur eine komplexe Anordnungvon Photonen, die ohne die neurologische Hardware wenig bedeuten würden, um sie in Bezug auf sinnvolle Eigenschaften wie die Idee eines dauerhaften Objekts zu verstehen.

Backpropagierende neuronale Netzwerke können ausgleichen aus früheren Ebenen zu diesen Ebenen zurückkehren, um weitere Signale einzuschränken. Die meisten unserer Sinne funktionieren auf diese Weise. Die anfänglichen Daten können zu einer "fundierten Vermutung" zum Endergebnis führen, gefolgt von zukünftigen Daten im Kontext dieser fundierten Vermutung. In optischen Illusionen machen unsere Sinne fundierte Vermutungen, die sich als falsch herausstellen.

Anstatt algorithmisch neuronale Netzwerke zu programmieren, müssen Programmierer ein neuronales Netzwerk mit Schulungen oder empfindlicher Abstimmung einzelner Neuronen konfigurieren. Zum Beispiel würde das Training eines neuronalen Netzwerks zur Erkennung von Gesichtern viele Schulungsläufe erfordern, in denen das Netzwerk unterschiedliche "Facelike" und "unfacelartige" Objekte gezeigt wurden, begleitet von positivem oder negativem Feedback, um das neuronale Netzwerk zur Verbesserung der Erkennungsfähigkeiten zu verbessern.