Co to jest sieć neuronowa?

Na typowym komputerze, wykonanym zgodnie z tak zwaną architekturą von Neumann, banki pamięci żyją w izolowanym module. Istnieje tylko jeden procesor, który przetwarza instrukcje, a pamięć przepisuje jeden po drugim, przy użyciu architektury szeregowej. Innym podejściem do obliczeń jest sieć neuronowa. W sieci neuronowej, złożonej z tysięcy, a nawet milionów indywidualnych „neuronów” lub „węzłów”, wszystkie przetwarzanie jest wysoce równoległe i rozproszone. „Memories” są przechowywane w złożonych połączeniach i ciężarach między węzłami.

Networking neuronowy jest rodzajem architektury obliczeniowej używanej przez mózgi zwierząt w przyrodzie. Niekoniecznie dlatego, że sieć neuronowa jest z natury doskonałym trybem przetwarzania niż obliczenia szeregowe, ale dlatego, że mózg wykorzystujący obliczenia szeregowe byłoby znacznie trudniejsze do ewolucji stopniowo. Sieci neuronowe mają również tendencję do radzenia sobie z „głośnymi danymi” niż komputery szeregowe.

W sieci neuronowej podawania, „warstwy wejściowej” FILLED ze specjalistycznymi węzłami przyjmuje 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 z „nie” do „tak”, węzeł musi doświadczyć pewnej progu podniecenia lub stymulacji.

Dane przenoszą się z warstwy wejściowej do warstw wtórnych i trzeciorzędowych, i tak dalej, aż dotrze do ostatecznej „warstwy wyjściowej”, która wyświetla wyniki na ekranie dla programistów do analizy. Human Retina działa na podstawie sieci neuronowych. Węzły pierwszego poziomu wykrywają proste cechy geometryczne w polu widzenia, takie jak kolory, linie i krawędzie. Drugorzędne węzły zaczynają abstrakcyjne bardziej wyrafinowane cechy, takie jak ruch, tekstura i głębokość. Ostateczne „wyjście” jest tym, co rejestruje nasza świadomość, gdy patrzymy na pole widzenia. Początkowe wejście to tylko złożone układfotonów, które niewiele oznaczałyby bez sprzętu neurologicznego, aby zrozumieć go pod względem znaczących cech, takich jak idea trwałego obiektu.

W ramach sieci neuronowych z tyłu wyniki z wcześniejszych warstw mogą powrócić do tych warstw, aby ograniczyć kolejne sygnały. Większość naszych zmysłów działa w ten sposób. Początkowe dane mogą wywoływać „wykształcone przypuszczenie” w końcowym wyniku, a następnie analizowanie przyszłych danych w kontekście tego wykształconego przypuszczenia. W złudzeniach optycznych nasze zmysły wydają wykształcone domysły, które okazują się błędne.

Zamiast programowania sieci neuronowych algorytmicznie programiści muszą skonfigurować sieć neuronową ze szkoleniem lub delikatnym strojeniem poszczególnych neuronów. Na przykład szkolenie sieci neuronowej w celu rozpoznawania twarzy wymagałoby wielu przebiegów szkoleniowych, w których w sieci pokazano różne „niedokładne” obiekty „niewolnikowe”, które towarzyszą pozytywne lub negatywne informacje zwrotne, aby nakłonić sieć neuronową do poprawy umiejętności rozpoznawania.