Çfarë janë Rrjetet Neurale?

Çfarë janë Rrjetet Neurale Artificiale (ANN)?

Shumë nga përparimet më të mëdha në AI janë nxitur nga rrjetet nervore artificiale. Rrjetet nervore artificiale (ANN) janë lidhja e funksioneve matematikore të bashkuara së bashku në një format të frymëzuar nga rrjetet nervore që gjenden në trurin e njeriut. Këto ANN janë të afta të nxjerrin modele komplekse nga të dhënat, duke aplikuar këto modele në të dhëna të padukshme për të klasifikuar/njohur të dhënat. Në këtë mënyrë, makina "mëson". Ky është një përmbledhje e shpejtë e rrjeteve nervore, por le t'i hedhim një vështrim më të afërt rrjeteve nervore për të kuptuar më mirë se çfarë janë dhe si funksionojnë.

Shpjegohet perceptron me shumë shtresa

Para se të shikojmë rrjetet nervore më komplekse, do të marrim një moment për të parë një version të thjeshtë të një ANN, një perceptron me shumë shtresa (MLP).

Imagjinoni një linjë montimi në një fabrikë. Në këtë linjë montimi, një punëtor merr një artikull, bën disa rregullime në të dhe më pas ia kalon atë punëtorit tjetër në linjë që bën të njëjtën gjë. Ky proces vazhdon derisa punëtori i fundit në linjë t'i bëjë punimet e fundit artikullit dhe ta vendos atë në një rrip që do ta nxjerrë nga fabrika. Në këtë analogji, ka shumë "shtresa" në linjën e montimit dhe produktet lëvizin midis shtresave ndërsa lëvizin nga punëtori në punëtor. Linja e montimit ka gjithashtu një pikë hyrje dhe një pikë dalje.

Një Perceptron me shumë shtresa mund të mendohet si një linjë prodhimi shumë e thjeshtë, e përbërë nga tre shtresa gjithsej: një shtresë hyrëse, një shtresë e fshehur dhe një shtresë dalëse. Shtresa hyrëse është vendi ku të dhënat futen në MLP, dhe në shtresën e fshehur një numër "punëtorësh" trajtojnë të dhënat përpara se t'i kalojnë ato në shtresën dalëse e cila ia jep produktin botës së jashtme. Në shembullin e një MLP, këta punëtorë quhen "neurone" (ose ndonjëherë nyje) dhe kur trajtojnë të dhënat, i manipulojnë ato përmes një sërë funksionesh matematikore.

Brenda rrjetit, ka struktura që lidhin nyjen me nyjen e quajtur "pesha“. Peshat janë një supozim se si lidhen pikat e të dhënave ndërsa lëvizin nëpër rrjet. Për ta thënë ndryshe, peshat pasqyrojnë nivelin e ndikimit që një neuron ka mbi një neuron tjetër. Peshat kalojnë përmes një "funksioni aktivizimi" ndërsa largohen nga nyja aktuale, e cila është një lloj funksioni matematikor që transformon të dhënat. Ato transformojnë të dhënat lineare në paraqitje jolineare, gjë që i mundëson rrjetit të analizojë modele komplekse.

Analogjia me trurin e njeriut e nënkuptuar nga "rrjeti nervor artificial" vjen nga fakti se neuronet që përbëjnë trurin e njeriut janë të bashkuar në një mënyrë të ngjashme me mënyrën se si lidhen nyjet në një ANN.

Ndërsa perceptronet me shumë shtresa kanë ekzistuar që nga vitet 1940, kishte një numër kufizimesh që i pengonin ata të ishin veçanërisht të dobishëm. Megjithatë, gjatë dy dekadave të fundit, një teknikë e quajtur "prapashumëzimi” u krijua që lejoi rrjetet të rregullonin peshat e neuroneve dhe në këtë mënyrë të mësonin shumë më efektivisht. Përhapja prapa ndryshon peshat në rrjetin nervor, duke e lejuar rrjetin të kapë më mirë modelet aktuale brenda të dhënave.

Rrjete nervore të thella

Rrjetet nervore të thella marrin formën bazë të MLP dhe e bëjnë atë më të madhe duke shtuar më shumë shtresa të fshehura në mes të modelit. Pra, në vend që të ketë një shtresë hyrëse, një shtresë të fshehur dhe një shtresë dalëse, ka shumë shtresa të fshehura në mes dhe daljet e një shtrese të fshehur bëhen hyrje për shtresën tjetër të fshehur derisa të dhënat të kenë arritur deri në fund. përmes rrjetit dhe janë kthyer.

Shtresat e shumta të fshehura të një rrjeti të thellë nervor janë në gjendje të interpretojnë modele më komplekse sesa perceptroni tradicional me shumë shtresa. Shtresa të ndryshme të rrjetit të thellë nervor mësojnë modelet e pjesëve të ndryshme të të dhënave. Për shembull, nëse të dhënat hyrëse përbëhen nga imazhe, pjesa e parë e rrjetit mund të interpretojë shkëlqimin ose errësirën e pikselëve, ndërsa shtresat e mëvonshme do të zgjedhin forma dhe skaje që mund të përdoren për të njohur objektet në imazh.

Llojet e ndryshme të rrjeteve nervore

Ekzistojnë lloje të ndryshme të rrjeteve nervore, dhe secili prej llojeve të ndryshme të rrjeteve nervore ka avantazhet dhe disavantazhet e veta (dhe për rrjedhojë rastet e tyre të përdorimit). Lloji i rrjetit nervor të thellë i përshkruar më sipër është lloji më i zakonshëm i rrjetit nervor, dhe shpesh quhet një rrjet nervor feedforward.

Një variacion i rrjeteve nervore është Rrjeti Neural Recurrent (RNN). Në rastin e Rrjeteve Neurale Rekurente, mekanizmat e ciklit përdoren për të mbajtur informacion nga gjendjet e mëparshme të analizës, që do të thotë se ata mund të interpretojnë të dhënat aty ku rendi ka rëndësi. RNN-të janë të dobishme në nxjerrjen e modeleve nga të dhënat sekuenciale/kronologjike. Rrjetet nervore të përsëritura mund të jenë me një drejtim ose me dy drejtime. Në rastin e një rrjeti nervor me dy drejtime, rrjeti mund të marrë informacion nga më vonë në sekuencë, si dhe pjesë të mëparshme të sekuencës. Meqenëse RNN me dy drejtime merr parasysh më shumë informacion, është më mirë në gjendje të nxjerrë modelet e duhura nga të dhënat.

Një Rrjet Neural Konvolutional është një lloj i veçantë i rrjetit nervor që është i aftë në interpretimin e modeleve që gjenden brenda imazheve. Një CNN funksionon duke kaluar një filtër mbi pikselat e imazhit dhe duke arritur një paraqitje numerike të pikselëve brenda imazhit, të cilat më pas mund t'i analizojë për modele. Një CNN është i strukturuar në mënyrë që shtresat konvolucionale që tërheqin pikselët nga imazhi të vijnë së pari, dhe më pas vijnë shtresat e lidhura dendur përpara, ato që në të vërtetë do të mësojnë të njohin objektet, vijnë pas kësaj.