Cet article a été publié dans le cadre du Blogathon sur la science des données.
Introduction
Si vous êtes un développeur de logiciels et que vous souhaitez en savoir plus sur le fonctionnement des réseaux de neurones, vous êtes au bon endroit. Nous aiderons les novices à comprendre ce que sont les réseaux de neurones, ce qu'est un modèle de réseau de neurones et comment étendre leurs connaissances à d'autres domaines du sujet dans ce didacticiel.
Table des matières
- Qu'est-ce qu'un réseau neuronal?
- Qu'est-ce qu'un modèle de réseau neuronal artificiel ?
- Glossaire du modèle de réseau neuronal artificiel
- Qu'est-ce que la rétropropagation dans un modèle de réseau neuronal ?
- Pourquoi la rétropropagation est-elle nécessaire dans les réseaux de neurones ?
- Conclusion
Qu'est-ce qu'un réseau neuronal?
Avant d'entrer dans le jargon informatique, il est important de comprendre le rôle des réseaux de neurones dans notre vie quotidienne.
Le terme «neural» dérive du terme «neurone», qui fait référence à une seule cellule nerveuse. C'est exact, un réseau de neurones est simplement un ensemble de neurones qui effectuent des tâches de routine dans notre vie quotidienne.
La reconnaissance des formes, l'identification des objets et l'intelligence jouent toutes un rôle important dans la résolution des difficultés auxquelles nous sommes confrontés au quotidien. Alors que ces réflexes sont exécutés avec une telle facilité que nous n'en sommes pas conscients, la réalité est qu'ils sont difficiles à automatiser.
-
Les enfants mémorisent l'apparence d'une pomme
-
Un animal qui reconnaît sa mère ou son propriétaire
-
Percevoir la température d'un objet
Ces calculs complexes sont effectués par nos réseaux de neurones.
Les humains ont maintenant développé un système informatique capable de fonctionner d'une manière proche de celle de notre système nerveux. Ceux-ci sont appelés réseaux de neurones artificiels (ANN).
Alors que nous avons d'abord utilisé les ANN pour gérer des tâches simples, l'augmentation de la puissance de calcul nous a permis de développer une architecture de réseau de neurones assez robuste capable de résoudre des problèmes plus complexes.
Dans la partie suivante, nous allons passer en revue ANN plus en détail.
Qu'est-ce qu'un modèle de réseau neuronal artificiel ?
Un réseau neuronal artificiel, ou ANN, est un réseau neuronal multicouche entièrement connecté qui se compose d'une couche d'entrée, de couches cachées et d'une couche de sortie.
Un ANN est visible dans l'image ci-dessous.
Si vous regardez attentivement, vous découvrirez que chaque nœud d'une couche est connecté à chaque nœud de la couche au-dessus et en dessous.
Le réseau s'approfondit à mesure que le nombre de niveaux cachés augmente.
Considérez l'apparence d'un nœud individuel dans la sortie ou la couche masquée.
Comme vous pouvez le voir, le nœud reçoit un grand nombre d'entrées. Il additionne tous les poids et génère la somme via une fonction d'activation non linéaire.
La sortie de ce nœud devient l'entrée du nœud dans la couche suivante.
Il est essentiel de garder à l'esprit que le signal se déplacera toujours de gauche à droite. Le résultat final sera fourni une fois que tous les nœuds auront suivi le protocole.
Voici comment apparaît l'équation d'un nœud
Dans l'équation ci-dessus, b désigne un biais. Il sert d'entrée à tous les nœuds et est toujours défini sur 1.
Le biais permet de décaler le résultat de la fonction d'activation vers la gauche ou vers la droite.
En savoir plus sur les réseaux de neurones artificiels ici.
Glossaire du modèle de réseau neuronal artificiel
Jetons un coup d'œil à certains des mots fondamentaux que vous devriez connaître lorsqu'il s'agit d'un modèle de réseau neuronal artificiel.
Les données initialement transmises au réseau neuronal à partir d'une source sont appelées entrées. Son but est de fournir des données au réseau afin qu'il porte un jugement ou une prédiction sur les informations qu'il reçoit. Dans la plupart des cas, le modèle de réseau neuronal reçoit des entrées à valeur réelle qui doivent être fournies à un neurone dans la couche d'entrée.
Ensemble d'entraînement
Les ensembles de formation sont des entrées pour lesquelles vous connaissez déjà les sorties appropriées. Ceux-ci sont utilisés pour aider le réseau de neurones avec la formation et la mémoire pour l'ensemble d'entrée donné.
En fonction de l'entrée qu'il reçoit, chaque réseau de neurones génère une prédiction ou un jugement. Un ensemble d'entiers ou un jugement booléen peut être utilisé pour représenter cette sortie. Un seul neurone dans la couche de sortie est responsable de la génération de la valeur de sortie.
Un neurone, également appelé perceptron, est l'unité fondamentale d'un réseau de neurones. Il reçoit une valeur d'entrée et génère une valeur en fonction de cette valeur.
Comme indiqué précédemment, chaque neurone reçoit une partie de l'entrée et la transmet au nœud de la couche suivante via la fonction d'activation non linéaire. Les fonctions d'activation TanH, sigmoïde ou ReLu sont toutes possibles. La nature non linéaire de ces fonctions facilite la formation du réseau.
Espace poids
Chaque neurone a un poids numérique unique. Lorsqu'il transmet des données à un autre nœud, son poids est ajouté à celui des autres notes pour former une sortie. La formation des réseaux de neurones est accomplie en faisant de petits ajustements à ces poids. Le réglage fin des pondérations aide à déterminer l'ensemble optimal de pondérations et de biais. C'est là que le concept de rétropropagation entre en jeu.
Qu'est-ce que la rétropropagation dans un modèle de réseau neuronal ?
La rétropropagation est une des méthodes pour déterminer efficacement les modifications modestes à apporter aux poids afin de réduire la perte du réseau.
Initialement, les activations doivent être transmises vers le haut ou de manière anticipée.
Maintenant, les dérivées de la fonction de coût doivent être transmises vers le bas ou d'une autre manière.
Avec cette méthode, vous pouvez calculer la dérivée partielle des coûts pour chaque pondération. Vous pouvez ensuite calculer les économies de coûts associées aux modifications.
Pourquoi la rétropropagation est-elle nécessaire dans les réseaux de neurones ?
Les erreurs sont propagées vers l'arrière dans les réseaux de neurones artificiels via la rétropropagation. Afin d'entraîner des réseaux de neurones artificiels de manière itérative, cette méthode est standardisée. Les poids d'un réseau de neurones sont affinés par rétropropagation, ce qui réduit les erreurs et améliore la précision et la fiabilité du système. L'utilisation de cette méthode est un jeu d'enfant à mettre en œuvre. Vous n'avez pas besoin de connaître quoi que ce soit sur les réseaux de neurones pour utiliser cette stratégie. Il ne fait rien d'autre qu'affiner les chiffres déjà donnés par le système et ne nécessite aucune autre configuration.
Conclusion
Par conséquent, de nombreux développeurs de logiciels ne prennent pas en charge le modèle de réseau neuronal car ils estiment qu'il est inefficace, en particulier compte tenu du fait que plusieurs cycles sont nécessaires pour découvrir la solution la plus rentable.
Il existe un certain nombre de techniques modernes qui nécessitent beaucoup moins d'ajustements pour créer un modèle correct que les méthodes précédentes, telles que les réseaux de capsules de Hinton et le réseau de neurones à capsule. En conséquence, le réseau de neurones est susceptible d'avoir un avenir long et prospère.
Je suis content que vous l'ayez trouvé intéressant. Pour me contacter, vous pouvez le faire en utilisant les méthodes suivantes :
Si vous avez encore des questions, n'hésitez pas à me les envoyer par Courriel.
Les médias présentés dans cet article n'appartiennent pas à Analytics Vidhya et sont utilisés à la discrétion de l'auteur.
