Inleiding tot het neurale netwerkmodel, de woordenlijst en backpropagation
Verbind je met ons

Plato verticaal zoeken

Big data

Inleiding tot het neurale netwerkmodel, de woordenlijst en backpropagation

Dit artikel is gepubliceerd als onderdeel van de Data Science Blogathon. Introductie Als je een softwareontwikkelaar bent die wil leren hoe neurale netwerken werken, dan ben je hier op de perfecte plek. We zullen beginners helpen te begrijpen wat neurale netwerken zijn, wat een neuraal netwerkmodel is en hoe ze hun kennis kunnen uitbreiden naar andere […]

De post Inleiding tot het neurale netwerkmodel, de woordenlijst en backpropagation verscheen eerst op Analytics Vidhya.

Inleiding tot het neurale netwerkmodel, de woordenlijst en backpropagation

Dit artikel is gepubliceerd als onderdeel van het Data Science Blogathon.

Introductie

Als je een softwareontwikkelaar bent die wil leren hoe neurale netwerken werken, dan ben je hier op de perfecte plek. In deze tutorial helpen we beginners om te begrijpen wat neurale netwerken zijn, wat een neuraal netwerkmodel is en hoe ze hun kennis kunnen uitbreiden naar andere gebieden van het onderwerp.

Inhoudsopgave

  1. Wat is een neuraal netwerk?
  2. Wat is een kunstmatig neuraal netwerkmodel?
  3. Kunstmatig neuraal netwerkmodel Woordenlijst
  4. Wat is backpropagation in een neuraal netwerkmodel?
  5. Waarom is backpropagation nodig in neurale netwerken?
  6. Conclusie

Wat is een neuraal netwerk?

Voordat we in computerjargon komen, is het belangrijk om de rol van neurale netwerken in ons dagelijks leven te begrijpen.

De term 'neuraal' is afgeleid van de term 'neuron', die verwijst naar een enkele zenuwcel. Dat klopt - een neuraal netwerk is gewoon een verzameling neuronen die routinetaken in ons dagelijks leven uitvoeren.

Patroonherkenning, objectidentificatie en intelligentie spelen allemaal een belangrijke rol bij het oplossen van de problemen waarmee we dagelijks worden geconfronteerd. Hoewel deze reflexen zo gemakkelijk worden uitgevoerd dat we ons er niet van bewust zijn, is de realiteit dat ze moeilijk te automatiseren zijn.

  • Kinderen onthouden het uiterlijk van een appel

  • Een dier dat zijn moeder of eigenaar herkent

  • De temperatuur van een object waarnemen

Deze complexe berekeningen worden uitgevoerd door onze neurale netwerken.

Mensen hebben nu een computersysteem ontwikkeld dat in staat is te presteren op een manier die vergelijkbaar is met die van ons zenuwstelsel. Dit worden kunstmatige neurale netwerken (ANN's) genoemd.

Terwijl we voor het eerst ANN's gebruikten om eenvoudige taken uit te voeren, heeft de toename van de rekenkracht ons in staat gesteld een vrij robuuste neurale netwerkarchitectuur te ontwikkelen die in staat is om complexere problemen op te lossen.

In het volgende deel gaan we dieper in op ANN.

Wat is een kunstmatig neuraal netwerkmodel?

Een kunstmatig neuraal netwerk, of ANN, is een meerlagig, volledig verbonden neuraal netwerk dat bestaat uit een invoerlaag, verborgen lagen en een uitvoerlaag.

Een ANN is te zien in de onderstaande afbeelding.

Als je goed kijkt, zul je ontdekken dat elk knooppunt in een laag is verbonden met elk knooppunt in de laag erboven en eronder.

Het netwerk wordt dieper naarmate het aantal verborgen niveaus toeneemt.

Overweeg het uiterlijk van een afzonderlijk knooppunt in de uitvoer of verborgen laag.

Zoals u kunt zien, ontvangt het knooppunt een groot aantal invoer. Het telt alle gewichten bij elkaar op en voert de som uit via een niet-lineaire activeringsfunctie.

De uitvoer van dit knooppunt wordt de invoer van het knooppunt in de volgende laag.

Het is van cruciaal belang om in gedachten te houden dat het signaal altijd van links naar rechts zal verschuiven. Het eindresultaat zal worden verstrekt zodra alle knooppunten het protocol hebben gevolgd.

Zo ziet de vergelijking van een knoop eruit

In de bovenstaande vergelijking staat b voor vertekening. Het dient als invoer voor alle knooppunten en is altijd ingesteld op 1.

Bias zorgt ervoor dat de uitkomst van de activeringsfunctie naar links of rechts kan worden verschoven.

Lees meer over kunstmatige neurale netwerken hier.

Kunstmatig neuraal netwerkmodel Woordenlijst

Laten we eens kijken naar enkele van de fundamentele woorden waarmee u bekend moet zijn als het gaat om een ​​kunstmatig neuraal netwerkmodel.

De gegevens die in eerste instantie vanuit een bron in het neurale netwerk worden gegeven, worden de invoer genoemd. Het doel is om gegevens aan het netwerk te verstrekken zodat het een oordeel of voorspelling kan doen over de informatie die het ontvangt. In de meeste gevallen ontvangt het neurale netwerkmodel inputs met reële waarde die aan een neuron in de inputlaag moeten worden geleverd.

Trainingsset

Trainingssets zijn inputs waarvan je de juiste outputs al kent. Deze worden gebruikt om het neurale netwerk te helpen met training en geheugen voor de gegeven invoerset.

Afhankelijk van de input die het ontvangt, genereert elk neuraal netwerk een voorspelling of een oordeel. Een reeks gehele getallen of een Booleaans oordeel kan worden gebruikt om deze uitvoer weer te geven. Een enkel neuron in de outputlaag is verantwoordelijk voor het genereren van de outputwaarde.

Een neuron, ook wel een perceptron genoemd, is de fundamentele eenheid van een neuraal netwerk. Het ontvangt een invoerwaarde en voert een waarde uit die afhankelijk is van die waarde.

Zoals eerder vermeld, krijgt elk neuron een deel van de invoer en verzendt dit naar het knooppunt van de volgende laag via de niet-lineaire activeringsfunctie. TanH-, sigmoid- of ReLu-activeringsfuncties zijn allemaal mogelijk. Het niet-lineaire karakter van deze functies helpt bij netwerktraining.

Gewicht ruimte

Elk neuron heeft een uniek numeriek gewicht. Wanneer het gegevens naar een ander knooppunt verzendt, wordt het gewicht opgeteld bij dat van de andere noten om een ​​uitvoer te vormen. Het trainen van neurale netwerken wordt bereikt door kleine aanpassingen aan deze gewichten te maken. Fijnafstelling van het gewicht helpt bij het bepalen van de optimale set gewichten en vooroordelen. Dit is waar het concept van backpropagation in het spel komt.

Wat is backpropagation in een neuraal netwerkmodel?

Backpropagation is een van de methoden om effectief te bepalen welke bescheiden wijzigingen aan de gewichten moeten worden aangebracht om het verlies van het netwerk te verminderen.

In eerste instantie moeten activeringen naar boven of op een feedforward-manier worden verzonden.

Nu moeten de afgeleiden van de kostenfunctie naar beneden of op een andere manier worden doorgegeven.

Met deze methode kunt u voor elk gewicht de afgeleide van de partiële kosten berekenen. U kunt dan de kostenbesparing berekenen die gepaard gaat met de aanpassingen.

Waarom is Backpropagation nodig in neurale netwerken?

Fouten worden achterwaarts gepropageerd in kunstmatige neurale netwerken via backpropagation. Om kunstmatige neurale netwerken op een iteratieve manier te trainen, is deze methode gestandaardiseerd. De gewichten van een neuraal netwerk worden nauwkeurig afgesteld via backpropagation, wat fouten vermindert en de nauwkeurigheid en betrouwbaarheid van het systeem verbetert. Het gebruik van deze methode is een makkie om te implementeren. U hoeft niets van neurale netwerken te weten om deze strategie te gebruiken. Het doet niets anders dan de reeds door het systeem gegeven cijfers verfijnen en vereist geen verdere configuratie.

Conclusie

Daarom ondersteunen veel softwareontwikkelaars het neurale netwerkmodel niet omdat ze vinden dat het inefficiënt is, vooral gezien het feit dat er meerdere rondes nodig zijn om de meest kosteneffectieve oplossing te vinden.

Er zijn een aantal moderne technieken die aanzienlijk minder aanpassingen vergen om een ​​correct model te maken dan eerdere methoden, zoals Hinton's capsulenetwerken en het capsule neurale netwerk. Hierdoor zal neurale netwerken waarschijnlijk een lange en welvarende toekomst hebben.

Ik ben blij dat je het interessant vond. Om contact met mij op te nemen, kunt u dit op de volgende manieren doen:

LinkedIn

Mocht je nog vragen hebben, stel ze gerust via e-mail.

De media die in dit artikel worden getoond, zijn geen eigendom van Analytics Vidhya en worden naar goeddunken van de auteur gebruikt. 

Bron: https://www.analyticsvidhya.com/blog/2022/01/introduction-to-the-neural-network-model-glossary-and-backpropagation/

Geschreven Door

Gerelateerde streams

Big data

Dit artikel is gepubliceerd als onderdeel van de Data Science Blogathon. Als business analist streven we ernaar om de projecten op te leveren volgens...

Big data

Een nieuwe onderzoekssamenwerking tussen China en de VS biedt een manier om kwaadaardige e-commercerecensies te detecteren die zijn ontworpen om concurrenten te ondermijnen of chantage te vergemakkelijken...

Big data

Een nieuwe onderzoekssamenwerking tussen China en de VS biedt een manier om kwaadaardige e-commercerecensies te detecteren die zijn ontworpen om concurrenten te ondermijnen of chantage te vergemakkelijken...

Big data

Een nieuwe onderzoekssamenwerking tussen China en de VS biedt een manier om kwaadaardige e-commercerecensies te detecteren die zijn ontworpen om concurrenten te ondermijnen of chantage te vergemakkelijken...