Što su neuronske mreže?

Što su umjetne neuronske mreže (ANN)?

Mnogi od najvećih napredaka u umjetnoj inteligenciji su pokreću umjetne neuronske mreže. Umjetne neuronske mreže (ANN) veza su matematičkih funkcija spojenih u format inspiriran neuronskim mrežama koje se nalaze u ljudskom mozgu. Ovi ANN-ovi su sposobni izdvojiti složene uzorke iz podataka, primjenjujući te uzorke na nevidljive podatke kako bi klasificirali/prepoznali podatke. Na taj način stroj "uči". Ovo je kratak pregled neuronskih mreža, ali pogledajmo pobliže neuronske mreže kako bismo bolje razumjeli što su i kako funkcioniraju.

Objašnjenje višeslojnog perceptrona

Prije nego što pogledamo složenije neuronske mreže, odvojit ćemo trenutak da pogledamo jednostavnu verziju ANN-a, višeslojni perceptron (MLP).

Zamislite tekuću traku u tvornici. Na ovoj tekućoj traci jedan radnik prima predmet, vrši neke prilagodbe na njemu, a zatim ga prosljeđuje sljedećem radniku na liniji koji radi isto. Taj se proces nastavlja sve dok posljednji radnik u liniji ne doradi predmet i ne stavi ga na remen koji će ga iznijeti iz tvornice. U ovoj analogiji, postoji više "slojeva" na tekućoj traci, a proizvodi se kreću između slojeva dok se kreću od radnika do radnika. Montažna linija također ima ulaznu i izlaznu točku.

Višeslojni perceptron može se smatrati vrlo jednostavnom proizvodnom linijom, sastavljenom od ukupno tri sloja: ulaznog sloja, skrivenog sloja i izlaznog sloja. Ulazni sloj je mjesto gdje se podaci unose u MLP, a u skrivenom sloju određeni broj "radnika" rukuje podacima prije nego što ih proslijedi izlaznom sloju koji daje proizvod vanjskom svijetu. U slučaju MLP-a, ti se radnici nazivaju "neuroni" (ili ponekad čvorovi) i kada rukuju podacima, manipuliraju njima kroz niz matematičkih funkcija.

Unutar mreže postoje strukture koje povezuju čvor s čvorom pod nazivom "Utezi”. Težine su pretpostavka o tome kako su podatkovne točke povezane dok se kreću kroz mrežu. Drugim riječima, težine odražavaju razinu utjecaja koju jedan neuron ima na drugi neuron. Ponderi prolaze kroz "aktivacijsku funkciju" dok napuštaju trenutni čvor, što je vrsta matematičke funkcije koja transformira podatke. Oni pretvaraju linearne podatke u nelinearne prikaze, što mreži omogućuje analizu složenih uzoraka.

Analogija s ljudskim mozgom implicirana pod "umjetnom neuronskom mrežom" dolazi iz činjenice da su neuroni koji čine ljudski mozak spojeni zajedno na sličan način na koji su čvorovi u ANN-u povezani.

Dok višeslojni perceptroni postoje od 1940-ih, postojala su brojna ograničenja koja su ih sprječavala da budu posebno korisni. Međutim, tijekom posljednjih nekoliko desetljeća, tehnika zvana "širenje unazad” je stvorena koja je omogućila mrežama da prilagode težinu neurona i time uče mnogo učinkovitije. Propagacija unatrag mijenja težine u neuronskoj mreži, omogućujući mreži da bolje uhvati stvarne obrasce unutar podataka.

Duboke neuronske mreže

Duboke neuronske mreže preuzimaju osnovni oblik MLP-a i čine ga većim dodavanjem više skrivenih slojeva u sredini modela. Dakle, umjesto da postoji ulazni sloj, skriveni sloj i izlazni sloj, postoji mnogo skrivenih slojeva u sredini, a izlazi jednog skrivenog sloja postaju ulazi za sljedeći skriveni sloj sve dok podaci ne stignu do kraja kroz mrežu i vraćena.

Višestruki skriveni slojevi duboke neuronske mreže mogu interpretirati složenije obrasce od tradicionalnog višeslojnog perceptrona. Različiti slojevi duboke neuronske mreže uče obrasce različitih dijelova podataka. Na primjer, ako se ulazni podaci sastoje od slika, prvi dio mreže može interpretirati svjetlinu ili tamu piksela dok će kasniji slojevi odabrati oblike i rubove koji se mogu koristiti za prepoznavanje objekata na slici.

Različite vrste neuronskih mreža

Postoje različite vrste neuronskih mreža, a svaka od različitih vrsta neuronskih mreža ima svoje prednosti i nedostatke (a time i svoje slučajeve upotrebe). Gore opisana vrsta dubinske neuronske mreže najčešća je vrsta neuronske mreže i često se naziva neuronska mreža s unaprijednim prijenosom podataka.

Jedna varijacija neuronskih mreža je rekurentna neuronska mreža (RNN). U slučaju ponavljajućih neuronskih mreža, mehanizmi petlje koriste se za čuvanje informacija iz prethodnih stanja analize, što znači da mogu interpretirati podatke gdje je redoslijed bitan. RNN-ovi su korisni u izvođenju uzoraka iz sekvencijskih/kronoloških podataka. Rekurentne neuronske mreže mogu biti jednosmjerne ili dvosmjerne. U slučaju dvosmjerne neuronske mreže, mreža može uzeti informacije iz kasnijeg dijela niza, kao i iz ranijih dijelova niza. Budući da dvosmjerni RNN uzima u obzir više informacija, bolje je izvući prave uzorke iz podataka.

Konvolucijska neuronska mreža posebna je vrsta neuronske mreže koja je vješta u tumačenju uzoraka pronađenih unutar slika. CNN radi prolaskom filtra preko piksela slike i postizanjem numeričke reprezentacije piksela unutar slike, koju zatim može analizirati u potrazi za uzorcima. CNN je strukturiran tako da konvolucijski slojevi koji izvlače piksele iz slike dolaze prvi, a zatim dolaze gusto povezani slojevi za prijenos, oni koji će zapravo naučiti prepoznavati objekte, dolaze nakon toga.