Pemahaman awal tentang rangkaian saraf

Unit, juga dikenali sebagai nod atau neuron, adalah teras rangkaian saraf. Setiap unit menerima satu atau lebih input, mendarab setiap input dengan pemberat, dan kemudian menambah input berwajaran kepada nilai pincang. Seterusnya, nilai ini dimasukkan ke dalam fungsi pengaktifan. Dalam rangkaian saraf, output unit boleh dihantar ke neuron lain.

Perceptron multilayer, juga dikenali sebagai rangkaian neural feedforward, kini merupakan model rangkaian saraf tiruan yang paling banyak digunakan dan paling ringkas. Ia terdiri daripada berbilang lapisan yang disambungkan antara satu sama lain, setiap lapisan menghubungkan ciri input dengan nilai sasaran. Struktur rangkaian ini dipanggil "feedforward" kerana nilai ciri input dihantar secara "forward" melalui rangkaian, dan setiap lapisan mengubah nilai ciri sehingga output akhir selaras dengan output sasaran.

Dalam rangkaian neural suapan, terdapat tiga jenis lapisan. Setiap unit mengandungi pemerhatian satu ciri dalam lapisan input. Jika terdapat 100 cerapan ciri, maka lapisan input akan mempunyai 100 nod. Lapisan keluaran menukarkan keluaran lapisan tersembunyi kepada nilai berguna untuk rangkaian saraf. Untuk melaksanakan klasifikasi binari, kita boleh menggunakan fungsi sigmoid dalam lapisan keluaran untuk menskalakan output kepada kebarangkalian kelas 0 atau 1. Lapisan tersembunyi terletak di antara lapisan input dan lapisan output dan bertanggungjawab untuk memproses nilai ciri dari lapisan input. Akhirnya, lapisan keluaran menukarnya kepada nilai yang serupa dengan kelas sasaran.

Parameter rangkaian saraf biasanya dimulakan kepada nilai rawak kecil, yang boleh datang daripada taburan Gaussian atau taburan seragam biasa. Fungsi kehilangan digunakan untuk mengukur perbezaan antara nilai keluaran rangkaian dan nilai yang diperhatikan, berbanding dengan nilai sebenar selepas disuap melalui rangkaian. Algoritma penyebaran ke hadapan digunakan untuk menentukan parameter mana yang paling banyak menyumbang kepada perbezaan antara nilai yang diramalkan dan benar. Melalui algoritma pengoptimuman, setiap berat dilaraskan mengikut saiz yang ditentukan.

Rangkaian saraf belajar daripada setiap pemerhatian dalam data latihan melalui pelbagai lelaran perambatan ke hadapan dan perambatan belakang. Bilangan kali setiap pemerhatian dihantar melalui rangkaian dipanggil zaman, dan lazimnya latihan terdiri daripada berbilang zaman untuk melaraskan parameter secara berulang.

Atas ialah kandungan terperinci Pemahaman awal tentang rangkaian saraf. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!