Hva er et nevralt nettverk?
I en typisk datamaskin, laget i henhold til det som kalles en von Neumann -arkitektur, lever minnebanker i en isolert modul. Det er bare en prosessor, som behandler instruksjoner og minne omskriver en etter en, ved hjelp av en seriell arkitektur. En annen tilnærming til databehandling er det nevrale nettverket. I et nevralt nettverk, som består av tusenvis eller til og med millioner av individuelle "nevroner" eller "noder", er all prosessering svært parallell og distribuert. "Minner" lagres i de komplekse sammenkoblingene og vektingen mellom noder.
Neural nettverk er typen databehandlingsarkitektur som brukes av dyrehjerner i naturen. Dette er ikke nødvendigvis fordi det nevrale nettverket er en iboende overlegen behandlingsmåte enn seriell databehandling, men fordi en hjerne som bruker seriell databehandling ville være mye vanskeligere å utvikle seg trinnvis. Nevrale nettverk har også en tendens til å håndtere "støyende data" bedre enn serielle datamaskiner.
i et fremadgående nevralt nettverk, et "input Layer" FilLedet med spesialiserte noder tar inn informasjon, og sender deretter et signal til et andre lag basert på informasjonen det mottok utenfra. Denne informasjonen er vanligvis et binært "ja eller nei" -signal. Noen ganger, for å gå fra et "nei" til en "ja", må noden oppleve en viss terskelmengde spenning eller stimulering.
Data beveger seg fra inngangslaget til sekundære og tertiære lag, og så videre, til de når et endelig "utgangslag" som viser resultater på en skjerm for programmerere å analysere. Den menneskelige netthinnen fungerer basert på nevrale nettverk. Første nivånoder oppdager enkle geometriske funksjoner i det synsfeltet, som farger, linjer og kanter. Sekundære noder begynner å abstrakte mer sofistikerte trekk, for eksempel bevegelse, tekstur og dybde. Den endelige "output" er det vår bevissthet registrerer oss når vi ser på synsfeltet. Den første inngangen er bare et komplekst arrangementav fotoner som vil bety lite uten den nevrologiske maskinvaren for å gi mening om det når det gjelder meningsfulle egenskaper, for eksempel ideen om et varig objekt.
I backpropagating nevrale nettverk kan utganger fra tidligere lag tilbake til disse lagene for å begrense ytterligere signaler. De fleste av sansene våre fungerer på denne måten. De første dataene kan be om en "utdannet gjetning" på det endelige resultatet, etterfulgt av å se på fremtidige data i sammenheng med den utdannede gjetningen. I optiske illusjoner gjør sansene våre utdannede gjetninger som viser seg å være feil.
I stedet for å programmere nevrale nettverksalgoritmisk, må programmerere konfigurere et nevralt nettverk med trening eller delikat innstilling av individuelle nevroner. For eksempel vil trening et nevralt nettverk for å gjenkjenne ansikter kreve mange treningsløp der forskjellige "ansiktsaktige" og "ufacelike" gjenstander ble vist til nettverket, ledsaget av positive eller negative tilbakemeldinger for å lokke det nevrale nettverket til å forbedre gjenkjennelsesferdighetene.