Что такое нейронная сеть?

В типичном компьютере, построенном в соответствии с так называемой архитектурой фон Неймана, банки памяти живут в изолированном модуле. Существует только один процессор, который обрабатывает инструкции, а память перезаписывает одну за другой, используя последовательную архитектуру. Другой подход к вычислениям - нейронная сеть. В нейронной сети, состоящей из тысяч или даже миллионов отдельных «нейронов» или «узлов», вся обработка является высокопараллельной и распределенной. «Воспоминания» хранятся в сложных взаимосвязях и весах между узлами.

Нейронные сети - это тип вычислительной архитектуры, используемой мозгами животных в природе. Это не обязательно потому, что нейронная сеть по своей природе является более совершенным способом обработки, чем последовательные вычисления, а потому, что мозгу, использующему последовательные вычисления, будет гораздо сложнее развиваться постепенно. Нейронные сети также имеют тенденцию иметь дело с «шумными данными» лучше, чем последовательные компьютеры.

В нейронной сети с прямой связью «входной уровень», заполненный специализированными узлами, принимает информацию, а затем отправляет сигнал второму уровню на основе информации, полученной извне. Эта информация обычно является двоичным сигналом «да или нет». Иногда, чтобы перейти от «нет» к «да», узел должен испытывать определенную пороговую величину возбуждения или стимуляции.

Данные перемещаются из входного уровня во вторичный и третичный уровни и т. Д., Пока не достигнут конечного «выходного уровня», который отображает результаты на экране для анализа программистами. Сетчатка человека работает на основе нейронных сетей. Узлы первого уровня обнаруживают простые геометрические объекты в поле зрения, такие как цвета, линии и края. Вторичные узлы начинают абстрагировать более сложные функции, такие как движение, текстура и глубина. Конечный «результат» - это то, что регистрирует наше сознание, когда мы смотрим на поле зрения. Первоначальный вклад - это просто сложное расположение фотонов, которые мало что значат без неврологического оборудования, чтобы понять его с точки зрения значимых качеств, таких как идея постоянного объекта.

В обратных распространяющихся нейронных сетях выходы из более ранних уровней могут возвращаться к этим уровням для ограничения дальнейших сигналов. Большинство наших чувств работают именно так. Исходные данные могут подсказать «обоснованное предположение» об окончательном результате, а затем посмотреть на будущие данные в контексте этого обоснованного предположения. В оптических иллюзиях наши чувства делают обоснованные предположения, которые оказываются неправильными.

Вместо алгоритмического программирования нейронных сетей программисты должны настроить нейронную сеть с помощью обучения или деликатной настройки отдельных нейронов. Например, обучение нейронной сети распознаванию лиц потребовало бы много тренировочных прогонов, в которых различные "лицевые" и "не похожие на" объекты были показаны в сети, сопровождаемые положительной или отрицательной обратной связью, чтобы подтолкнуть нейронную сеть к улучшению навыков распознавания.