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 minnet omskrives 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 sammenkoblinger og vektinger mellom nodene.
Nevrale nettverk er den typen databehandlingsarkitektur som brukes av dyrehjerner i naturen. Dette er ikke nødvendigvis fordi det nevrale nettverket er en iboende overlegen modus for behandling enn seriell databehandling, men fordi en hjerne som bruker seriell databehandling vil være mye vanskeligere å utvikle seg trinnvis. Nevrale nettverk pleier også å takle "støyende data" bedre enn serielle datamaskiner.
I et fremadrettet nevralt nettverk tar et "input-lag" fylt med spesialiserte noder 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 et "ja", må noden oppleve en viss terskel mengde spenning eller stimulering.
Data beveger seg fra input-laget til det sekundære og tertiære lag, og så videre, til de når et endelig "output-lag" som viser resultater på en skjerm for programmerere å analysere. Den menneskelige netthinnen fungerer basert på nevrale nettverk. Noder på første nivå oppdager enkle geometriske funksjoner i det visuelle feltet, som farger, linjer og kanter. Sekundære noder begynner å abstrahere mer sofistikerte funksjoner, som bevegelse, tekstur og dybde. Den endelige "utgangen" er det bevisstheten vår registrerer når vi ser på synsfeltet. Den innledende inngangen er bare et komplekst arrangement av fotoner som vil bety lite uten den nevrologiske maskinvaren å gi mening om det når det gjelder meningsfulle kvaliteter, som ideen om et varig objekt.
I backpropagating nevrale nettverk, kan utganger fra tidligere lag returnere til disse lagene for å begrense ytterligere signaler. De fleste av sansene våre fungerer på denne måten. De opprinnelige dataene kan be om en "utdannet gjetning" ved det endelige resultatet, etterfulgt av å se på fremtidige data i sammenheng med den utdannede gjetningen. I optiske illusjoner lager sansene våre utdannede gjetninger som viser seg å være gale.
I stedet for å programmere nevrale nettverk algoritmisk, må programmerere konfigurere et nevralt nettverk med trening eller delikat innstilling av individuelle nevroner. For eksempel vil trening av et nevralt nettverk for å gjenkjenne ansikter kreve mange treningskjøringer der forskjellige "ansiktslige" og "uaktige" objekter ble vist til nettverket, ledsaget av positive eller negative tilbakemeldinger for å lokke det nevrale nettverket til å forbedre gjenkjennelsesevner.