신경망이란 무엇입니까?

Von Neumann 아키텍처에 따라 만들어진 일반적인 컴퓨터에서 메모리 뱅크는 격리 된 모듈에 있습니다. 직렬 아키텍처를 사용하여 명령을 처리하고 메모리를 하나씩 다시 쓰는 프로세서는 하나뿐입니다. 컴퓨팅에 대한 다른 접근 방식은 신경망입니다. 수천 또는 수백만 개의 개별 "뉴런"또는 "노드"로 구성된 신경망에서 모든 처리는 고도로 병렬 및 분산됩니다. "Memories"는 노드 간의 복잡한 상호 연결 및 가중치 내에 저장됩니다.

신경 네트워킹은 자연에서 동물 두뇌가 사용하는 컴퓨팅 아키텍처 유형입니다. 신경망이 직렬 컴퓨팅보다 본질적으로 우수한 처리 모드이기 때문일 필요는 없지만 직렬 컴퓨팅을 사용하는 두뇌가 점진적으로 진화하기가 훨씬 어려울 수 있기 때문입니다. 신경 네트워크는 또한 직렬 컴퓨터보다 "잡음없는 데이터"를 더 잘 처리하는 경향이 있습니다.

피드 포워드 신경망에서 특수 노드로 채워진 "입력 계층"은 정보를 가져온 다음 외부에서 수신 한 정보를 기반으로 신호를 두 번째 계층으로 보냅니다. 이 정보는 일반적으로 이진 "예 또는 아니오"신호입니다. 때때로, "아니오"에서 "예"로 이동하기 위해, 노드는 특정 임계량의 흥분 또는 자극을 경험해야한다.

프로그래머가 분석 할 수 있도록 화면에 결과를 표시하는 최종 "출력 레이어"에 도달 할 때까지 데이터는 입력 레이어에서 2 차 및 3 차 레이어 등으로 이동합니다. 인간의 망막은 신경망을 기반으로 작동합니다. 첫 번째 수준 노드는 색상, 선 및 가장자리와 같은 시각적 필드에서 간단한 기하학적 특징을 감지합니다. 보조 노드는 모션, 텍스처 및 깊이와 같은보다 정교한 기능을 추상화하기 시작합니다. 마지막 "출력"은 우리가 시야를 볼 때 의식이 기록하는 것입니다. 초기 입력은 단지 지속적인 물체의 아이디어와 같은 의미있는 특성의 관점에서 그것을 이해하기 위해 신경 학적 하드웨어가 거의없는 광자의 복잡한 배열입니다.

역 전파 신경망에서, 이전 계층으로부터의 출력은 추가 신호를 제한하기 위해 그 계층으로 되돌아 갈 수있다. 우리의 감각의 대부분은 이런 식으로 작동합니다. 초기 데이터는 최종 결과에서 "교육받은 추측"을 촉발 한 다음 교육받은 추측과 관련하여 미래의 데이터를 살펴볼 수 있습니다. 착시에서, 우리의 감각은 잘못된 것으로 판명 된 교육 된 추측을합니다.

신경망을 알고리즘 적으로 프로그래밍하는 대신, 프로그래머는 개별 뉴런의 훈련 또는 섬세한 튜닝으로 신경망을 구성해야합니다. 예를 들어, 얼굴을 인식하기 위해 신경망을 훈련시키는 것은 다른 "얼굴 형"및 "면적이지 않은"객체가 네트워크에 보여지는 많은 훈련 실행을 필요로하며, 신경망을 인식 기술을 향상시키기 위해 긍정 또는 부정적 피드백을 수반한다.