न्यूरल नेटवर्क क्या हैं?

कृत्रिम न्यूरल नेटवर्क (ANNs) क्या हैं?

एआई में सबसे बड़ी प्रगति कृत्रिम न्यूरल नेटवर्क द्वारा संचालित है। कृत्रिम न्यूरल नेटवर्क (ANNs) गणितीय कार्यों का संयोजन है जो मानव मस्तिष्क में पाए जाने वाले न्यूरल नेटवर्क से प्रेरित प्रारूप में जुड़े हुए हैं। ये एएनएन जटिल पैटर्न को डेटा से निकालने, इन पैटर्न को अनदेखे डेटा पर लागू करने और डेटा को वर्गीकृत/मान्यता देने में सक्षम हैं। इस प्रकार, मशीन “सीखती” है। यह न्यूरल नेटवर्क का एक त्वरित अवलोकन है, लेकिन न्यूरल नेटवर्क को बेहतर ढंग से समझने के लिए आइए उन पर एक नज़र डालें।

मल्टी-लेयर परसेप्ट्रॉन की व्याख्या

हम अधिक जटिल न्यूरल नेटवर्क देखने से पहले, हम एक सरल संस्करण của एएनएन, मल्टी-लेयर परसेप्ट्रॉन (एमएलपी) पर एक नज़र डालेंगे।

एक फैक्ट्री में एक असेंबली लाइन की कल्पना करें। इस असेंबली लाइन पर, एक कार्यकर्ता आइटम प्राप्त करता है, इसके साथ कुछ समायोजन करता है, और फिर इसे अगले कार्यकर्ता को पास करता है जो समान काम करता है। यह प्रक्रिया तब तक जारी रहती है जब तक कि लाइन के अंतिम कार्यकर्ता आइटम को अंतिम रूप नहीं देते और इसे एक बेल्ट पर नहीं रखते जो इसे फैक्ट्री से बाहर ले जाएगा। इस उदाहरण में, असेंबली लाइन में कई “परतें” हैं, और उत्पाद एक कार्यकर्ता से दूसरे कार्यकर्ता की ओर चलते हुए परतों के बीच जाता है। असेंबली लाइन में एक प्रवेश बिंदु और एक निकास बिंदु भी होता है।

एक मल्टी-लेयर परसेप्ट्रॉन को एक बहुत ही सरल उत्पादन लाइन के रूप में सोचा जा सकता है, जो कुल तीन परतों से बना होता है: एक इनपुट परत, एक छिपी हुई परत, और एक आउटपुट परत। इनपुट परत वह स्थान है जहां डेटा एमएलपी में खिलाया जाता है, और छिपी हुई परत में कुछ “कार्यकर्ता” डेटा को संभालते हैं trước उसे आउटपुट परत पर पास करने से जो बाहरी दुनिया को उत्पाद देती है। एमएलपी के मामले में, ये कार्यकर्ता “न्यूरॉन” (या कभी-कभी नोड) कहलाते हैं और जब वे डेटा को संभालते हैं तो वे इसे गणितीय कार्यों की एक श्रृंखला के माध्यम से हेरफेर करते हैं।

नेटवर्क के भीतर, नोड से नोड तक जुड़ने वाले संरचनाएं “वजन” कहलाती हैं। वजन डेटा बिंदुओं के बीच संबंधों के बारे में एक अनुमान है क्योंकि वे नेटवर्क के माध्यम से चलते हैं। दूसरे शब्दों में, वजन एक न्यूरॉन के दूसरे न्यूरॉन पर प्रभाव के स्तर को दर्शाते हैं। वजन वर्तमान नोड से निकलते समय एक “एक्टिवेशन फंक्शन” से गुजरते हैं, जो डेटा को बदलने वाला एक प्रकार का गणितीय कार्य है। वे रैखिक डेटा को गैर-रैखिक प्रतिनिधित्व में परिवर्तित करते हैं, जिससे नेटवर्क जटिल पैटर्न का विश्लेषण कर सकता है।

“कृत्रिम न्यूरल नेटवर्क” द्वारा मानव मस्तिष्क के साथ तुलना इस तथ्य से आती है कि मानव मस्तिष्क में न्यूरॉन एक ही तरह से जुड़े हुए हैं जैसे एएनएन में नोड जुड़े हुए हैं।

1940 के दशक से मल्टी-लेयर परसेप्ट्रॉन का अस्तित्व है, लेकिन उन्हें विशेष रूप से उपयोगी बनने से रोकने के लिए कई सीमाएं थीं। हालांकि, पिछले कुछ दशकों में, एक तकनीक “बैकप्रोपेगेशन” बनाई गई जिसने नेटवर्क को न्यूरॉन के वजन को समायोजित करने और इस प्रकार अधिक प्रभावी ढंग से सीखने की अनुमति दी। बैकप्रोपेगेशन न्यूरल नेटवर्क में वजन को बदलता है, जिससे नेटवर्क डेटा में वास्तविक पैटर्न को बेहतर ढंग से पकड़ सकता है।

गहरे न्यूरल नेटवर्क

गहरे न्यूरल नेटवर्क एमएलपी के मूल रूप को लेते हैं और इसे बड़ा बनाते हैं bằng मध्य में अधिक छिपी हुई परतें जोड़कर। इसलिए, एक इनपुट परत, एक छिपी हुई परत और एक आउटपुट परत के बजाय, मध्य में कई छिपी हुई परतें होती हैं और एक छिपी हुई परत का आउटपुट अगली छिपी हुई परत के लिए इनपुट बन जाता है जब तक कि डेटा नेटवर्क के माध्यम से नहीं गुजरता और वापस नहीं आ जाता।
गहरे न्यूरल नेटवर्क की कई छिपी हुई परतें पारंपरिक मल्टी-लेयर परसेप्ट्रॉन की तुलना में अधिक जटिल पैटर्न की व्याख्या करने में सक्षम हैं। गहरे न्यूरल नेटवर्क की विभिन्न परतें डेटा के विभिन्न भागों के पैटर्न सीखती हैं। उदाहरण के लिए, यदि इनपुट डेटा छवियों से बना है, तो नेटवर्क का पहला भाग पिक्सेल की चमक या अंधेरे की व्याख्या कर सकता है, जबकि बाद की परतें आकार और किनारों को उठा सकती हैं जो छवि में वस्तुओं को पहचानने के लिए उपयोग की जा सकती हैं।

न्यूरल नेटवर्क के विभिन्न प्रकार

न्यूरल नेटवर्क के विभिन्न प्रकार हैं, और प्रत्येक न्यूरल नेटवर्क प्रकार के अपने फायदे और नुकसान (और इसलिए अपने उपयोग के मामले) हैं। उपरोक्त वर्णित गहरे न्यूरल नेटवर्क का प्रकार न्यूरल नेटवर्क का सबसे सामान्य प्रकार है, और इसे अक्सर फीडफॉरवर्ड न्यूरल नेटवर्क कहा जाता है।

न्यूरल नेटवर्क का एक प्रकार पुनरावृत्त न्यूरल नेटवर्क (आरएनएन) है। पुनरावृत्त न्यूरल नेटवर्क में, डेटा के क्रम को मायने रखने वाले विश्लेषण के पिछले राज्यों से जानकारी को पकड़ने के लिए लूपिंग तंत्र का उपयोग किया जाता है। आरएनएन क्रोनोलॉजिकल डेटा से पैटर्न निकालने में उपयोगी हैं। पुनरावृत्त न्यूरल नेटवर्क एकदिश या द्विदिशा दोनों हो सकते हैं। द्विदिशा न्यूरल नेटवर्क में, नेटवर्क क्रम के बाद के हिस्सों से भी जानकारी ले सकता है, साथ ही क्रम के पहले हिस्सों से। चूंकि द्विदिशा आरएनएन अधिक जानकारी को ध्यान में रखता है, यह डेटा से सही पैटर्न निकालने में बेहतर है।

एक कन्वोल्यूशनल न्यूरल नेटवर्क एक विशेष प्रकार का न्यूरल नेटवर्क है जो छवियों के भीतर पैटर्न की व्याख्या करने में कुशल है। एक सीएनएन छवि के पिक्सेल पर एक फिल्टर पास करके और छवि के भीतर पिक्सेल का एक संख्यात्मक प्रतिनिधित्व प्राप्त करके काम करता है, जिसे फिर पैटर्न के लिए विश्लेषण किया जा सकता है। एक सीएनएन इस तरह से संरचित है कि छवि से पिक्सेल निकालने वाली परतें पहले आती हैं, और फिर घने से जुड़े फीडफॉरवर्ड परतें आती हैं जो वास्तव में वस्तुओं को पहचानना सीखेंगी।