Co to jest sieć neuronowa?
W typowym komputerze wykonanym zgodnie z architekturą Von Neumanna banki pamięci żyją w izolowanym module. Istnieje tylko jeden procesor, który przetwarza instrukcje i zapisuje pamięć jeden po drugim, wykorzystując architekturę szeregową. Innym podejściem do obliczeń jest sieć neuronowa. W sieci neuronowej, złożonej z tysięcy, a nawet milionów pojedynczych „neuronów” lub „węzłów”, wszystkie procesy przetwarzania są wysoce równoległe i rozproszone. „Pamięci” są przechowywane w ramach złożonych połączeń i wag między węzłami.
Sieci neuronowe to rodzaj architektury obliczeniowej wykorzystywanej przez mózgi zwierząt w naturze. Niekoniecznie jest to konieczne, ponieważ sieć neuronowa jest z natury lepszym trybem przetwarzania niż obliczenia szeregowe, ale ponieważ mózg korzystający z obliczeń szeregowych byłby znacznie trudniejszy do stopniowego rozwoju. Sieci neuronowe również lepiej radzą sobie z „hałaśliwymi danymi” niż komputery szeregowe.
W sprzężonej sieci neuronowej „warstwa wejściowa” wypełniona wyspecjalizowanymi węzłami pobiera informacje, a następnie wysyła sygnał do drugiej warstwy na podstawie informacji otrzymanych z zewnątrz. Ta informacja jest zwykle binarnym sygnałem „tak lub nie”. Czasami, aby przejść od „nie” do „tak”, węzeł musi doświadczyć określonej progowej ilości podniecenia lub stymulacji.
Dane przenoszą się z warstwy wejściowej na warstwę pomocniczą i trzeciorzędną itd., Aż osiągną końcową „warstwę wyjściową”, która wyświetla wyniki na ekranie do analizy przez programistów. Ludzka siatkówka działa w oparciu o sieci neuronowe. Węzły pierwszego poziomu wykrywają proste elementy geometryczne w polu widzenia, takie jak kolory, linie i krawędzie. Wtórne węzły zaczynają wyodrębniać bardziej wyrafinowane funkcje, takie jak ruch, tekstura i głębia. Ostatni „wynik” rejestruje nasza świadomość, gdy patrzymy na pole widzenia. Początkowe dane wejściowe to po prostu złożony układ fotonów, który niewiele by znaczył bez sprzętu neurologicznego, aby zrozumieć je pod względem znaczących cech, takich jak idea trwałego obiektu.
W sieciach neuronowych propagujących wstecznie wyjścia z wcześniejszych warstw mogą powrócić do tych warstw, aby ograniczyć dalsze sygnały. Większość naszych zmysłów działa w ten sposób. Wstępne dane mogą skłonić „wyuczone przypuszczenie” do ostatecznego wyniku, a następnie przyjrzeć się przyszłym danym w kontekście tego wyuczonego odgadnięcia. W złudzeniach optycznych nasze zmysły podejmują wykształcone domysły, które okazują się błędne.
Zamiast programować sieci neuronowe algorytmicznie, programiści muszą skonfigurować sieć neuronową ze szkoleniem lub delikatnym dostrajaniem poszczególnych neuronów. Na przykład szkolenie sieci neuronowej do rozpoznawania twarzy wymagałoby wielu przebiegów treningowych, w których pokazano różne „podobne do twarzy” i „niespotykane” obiekty, którym towarzyszy dodatnia lub ujemna informacja zwrotna w celu nakłonienia sieci neuronowej do poprawy umiejętności rozpoznawania.