न्यूरल नेटवर्क क्या हैं?

कृत्रिम न्यूरल नेटवर्क (एएनएन) क्या हैं?

एआई में कई बड़ी प्रगति कृत्रिम न्यूरल नेटवर्क द्वारा संचालित होती है। कृत्रिम न्यूरल नेटवर्क (एएनएन) गणितीय कार्यों का संयोजन है जो मानव मस्तिष्क में पाए जाने वाले न्यूरल नेटवर्क से प्रेरित प्रारूप में एक साथ जुड़े होते 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 विवरण है, लेकिन आइए न्यूरल नेटवर्क को बेहतर ढंग से समझने के लिए उन पर एक नज़दीकी 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 असेंबली लाइन की कल्पना करें। इस असेंबली लाइन पर, एक कार्यकर्ता आइटम प्राप्त करता है, इसमें कुछ समायोजन करता है, और फिर इसे लाइन में अगले कार्यकर्ता को पास कर देता है जो同 करता है। यह प्रक्रिया तब तक जारी रहती है जब तक कि लाइन में अंतिम कार्यकर्ता आइटम पर अंतिम स्पर्श नहीं जोड़ देता और इसे एक बेल्ट पर रख देता है जो इसे फैक्ट्री से बाहर ले जाएगी। इस सादृश्य में, असेंबली लाइन में कई “परतें” हैं, और उत्पाद कार्यकर्ता से 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 फीड किया जाता है, और छिपी हुई परत में कुछ “कार्यकर्ता” डेटा को संभालते हैं trước इसे आउटपुट परत पर पास कर देते हैं जो उत्पाद को बाहरी दुनिया में देता है। एमएलपी के मामले में, ये कार्यकर्ता “न्यूरॉन” (या कभी-कभी नोड) कहलाते हैं और जब वे डेटा को संभालते हैं तो वे इसे एक श्रृंखला के माध्यम से गणितीय कार्यों के माध्यम से हेरफेर करते हैं।

नेटवर्क के भीतर, नोड से नोड तक जोड़ने वाले संरचनाएं “वजन” कहलाती हैं। वजन डेटा बिंदुओं के बीच संबंध 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 दर्शाता है। वजन एक “एक्टिवेशन फंक्शन” के माध्यम से गुजरते हैं क्योंकि वे वर्तमान नोड से निकलते हैं, जो डेटा को परिवर्तित करने वाला एक प्रकार का गणितीय कार्य है। वे रैखिक डेटा को गैर-रैखिक प्रतिनिधित्व में परिवर्तित करते हैं, जो नेटवर्क को जटिल पैटर्न का विश्लेषण करने में सक्षम बनाता है।

मानव मस्तिष्क द्वारा सुझाए गए “कृत्रिम न्यूरल नेटवर्क” का सादृश्य यह है कि मानव मस्तिष्क में न्यूरॉन जो एक साथ जुड़े होते हैं उन्हें एक ही तरह से एएनएन में नोड जोड़े जाते हैं।

मल्टी-लेयर परसेप्ट्रॉन का अस्तित्व 1940 के दशक से है, लेकिन उन्हें विशेष रूप से उपयोगी बनाने 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 के भीतर 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 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 पूरी तरह 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 होता है, तो नेटवर्क का पहला भाग पिक्सेल की चमक या अंधेरे की व्याख्या कर सकता है, जबकि बाद की परतें आकार और किनारों को चुन सकती हैं जो छवि में वस्तुओं को पहचानने के लिए उपयोग की जा सकती हैं।

न्यूरल नेटवर्क के विभिन्न प्रकार

विभिन्न प्रकार के न्यूरल नेटवर्क हैं, और प्रत्येक न्यूरल नेटवर्क प्रकार के अपने फायदे और नुकसान (और इसलिए अपने स्वयं के 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 के मामले में, विश्लेषण की पिछली स्थितियों से जानकारी को पकड़ने के लिए लूपिंग तंत्र का उपयोग किया जाता है, जिसका अर्थ है कि वे क्रम में मामलों को महत्व देने वाले डेटा से पैटर्न की व्याख्या कर सकते हैं। आरएनएन क्रोनोलॉजिकल डेटा से पैटर्न निकालने में उपयोगी हैं। पुनरावृत्त न्यूरल नेटवर्क एकदिश या द्विदिश में हो सकते हैं। द्विदिश न्यूरल नेटवर्क के मामले में, नेटवर्क क्रम के बाद के भाग से साथ ही साथ पहले के भाग से भी जानकारी ले सकता है। चूंकि द्विदिश आरएनएन अधिक जानकारी पर विचार करता है, यह डेटा से सही पैटर्न निकालने में बेहतर है।

एक कन्वोल्यूशनल न्यूरल नेटवर्क एक विशेष प्रकार का न्यूरल नेटवर्क है जो छवियों में पाए जाने वाले पैटर्न की व्याख्या करने में कुशल है। सीएनएन छवि के पिक्सेल पर एक फिल्टर पास करके और फिर छवि के भीतर पिक्सेल का एक संख्यात्मक प्रतिनिधित्व प्राप्त करके काम करता है, जिसे यह पैटर्न के लिए विश्लेषण कर सकता है। सीएनएन की संरचना इस तरह से होती है कि छवि से पिक्सेल निकालने वाली परतें पहले आती हैं, और फिर घने से जुड़ी फीडफॉरवर्ड परतें आती हैं जो वास्तव में वस्तुओं को पहचानना सीखती हैं।