introduction
S'il existe un domaine de la science des données qui a conduit à la croissance de l'apprentissage automatique et de l'intelligence artificielle ces dernières années, est l'apprentissage en profondeur. Des laboratoires de recherche dans les universités avec peu de succès dans l'industrie à l'alimentation de tous les appareils intelligents de la planète, l'apprentissage en profondeur et les réseaux de neurones ont commencé une révolution.
Noter: Si vous êtes plus intéressé par l'apprentissage de concepts dans un format audiovisuel, nous avons cet article complet expliqué dans la vidéo ci-dessous. Si ce n'est pas comme ça, tu peux continuer à lire.
Dans cet article, nous vous présenterons les composants des réseaux de neurones.
Blocs de construction d'un réseau de neurones: couches et neurones
Hay dos bloques de construcción de una neuronal rougeLes réseaux de neurones sont des modèles computationnels inspirés du fonctionnement du cerveau humain. Ils utilisent des structures appelées neurones artificiels pour traiter et apprendre des données. Ces réseaux sont fondamentaux dans le domaine de l’intelligence artificielle, permettant des avancées significatives dans des tâches telles que la reconnaissance d’images, Traitement du langage naturel et prédiction de séries temporelles, entre autres. Leur capacité à apprendre des motifs complexes en fait des outils puissants.., voyons chacun d'eux en détail:
1. Que sont les couches dans un réseau de neurones?
Un réseau de neurones est composé de composants empilés verticalement appelés Couvertures. Chaque ligne pointillée dans l'image représente une couche. Il existe trois types de couches dans un NN-
Couche d'entréeLa "couche d'entrée" fait référence au niveau initial d’un processus d’analyse de données ou d’architectures de réseaux de neurones. Sa fonction principale est de recevoir et de traiter l’information brute avant qu’elle ne soit transformée par les couches suivantes. Dans le contexte de l’apprentissage automatique, Une bonne configuration de la couche d’entrée est cruciale pour garantir l’efficacité du modèle et optimiser ses performances dans des tâches spécifiques....– La première est la couche d'entrée. Cette couche acceptera les données et les transmettra au reste du réseau.
Cape cachée– Le deuxième type de couche est appelé couche cachée. Les couches cachées sont une ou plusieurs pour un réseau de neurones. Dans le cas ci-dessus, le numéro est 1. Les couches cachées sont vraiment responsables des excellentes performances et de la complexité des réseaux de neurones. Exécuter plusieurs fonctions en même temps, comme transformation de données, création de fonction automatique, etc.
Couche de sortieLa "Couche de sortie" est un concept utilisé dans le domaine des technologies de l’information et de la conception de systèmes. Il s’agit de la dernière couche d’un modèle logiciel ou d’une architecture qui est chargée de présenter les résultats à l’utilisateur final. Cette couche est cruciale pour l’expérience utilisateur, puisqu’il permet une interaction directe avec le système et la visualisation des données traitées....– Le dernier type de couche est la couche de sortie. La couche de sortie contient le résultat ou la sortie du problème. Les images brutes sont transmises à la couche d'entrée et nous recevons la sortie sur la couche de sortie. Par exemple-
Dans ce cas, nous fournissons une image d'un véhicule et cette couche de sortie fournira une sortie, soit un véhicule d'urgence ou non d'urgence, après avoir parcouru les couches d'entrée et cachées, bien sûr.
Maintenant que nous connaissons les couches et leur fonction, parlons en détail de la composition de chacune de ces couches.
2. Que sont les neurones dans un réseau de neurones?
Une couche est constituée de petites unités individuelles appelées neurones. UNE neurone dans un réseau de neurones peut être mieux compris à l'aide de neurones biologiques. Un neurone artificiel est similaire à un neurone biologique. Recevoir des informations des autres neurones, effectue certains traitements et produit une sortie.
Regardons maintenant un neurone artificiel
Ici, X1 Oui X2 sont des entrées pour les neurones artificiels, F (X) représente le traitement effectué sur les entrées et Oui représente la sortie des neurones.
Qu'est-ce qu'un tir d'un neurone?
Dans la vie réelle, nous avons tous entendu la phrase: “Allume ces neurones” d'une façon ou d'une autre. Il en va de même pour les neurones artificiels. Tous les neurones ont tendance à se déclencher, mais seulement sous certaines conditions. Par exemple-
Si nous représentons ce f (X) par somme, alors ce neurone peut se déclencher lorsque la somme est supérieure à, Disons 100. Bien qu'il puisse y avoir un cas où l'autre neurone peut se déclencher lorsque la somme est supérieure à 10-
Ces certaines conditions qui diffèrent d'un neurone à l'autre sont appelées Seuil. Par exemple, si l'entrée X1 dans le premier neurone est 30 et X2 est 0:
Ce neurone ne se déclenche pas, puisque la somme 30 + 0 = 30 n'est pas supérieur au seuil, c'est-à-dire, 100. Alors que si l'entrée était restée la même pour l'autre neurone, ce neurone se serait déclenché puisque la somme de 30 est supérieur au seuil de 10.
À présent, le seuil négatif est appelé Biais d'un neurone. Représentons cela un peu mathématiquement. Ensuite, nous pouvons représenter la condition de tir et de non-tir d'un neurone en utilisant cette paire d'équations:
Si la somme des entrées est supérieure au seuil, le neurone va se déclencher. Au contraire, le neurone ne se déclenche pas. Simplifions un peu cette équation et amenons le seuil du côté gauche des équations. À présent, ce seuil négatif est appelé Biais-
Une chose à garder à l'esprit est que dans un réseau de neurones artificiels, tous les neurones d'une couche ont le même biais. Maintenant que nous avons une bonne compréhension du biais et de la façon dont il représente la condition pour qu'un neurone se déclenche, passons à un autre aspect d'un neurone artificiel appelé pesos.
Jusqu'à maintenant, même dans notre calcul, nous avons attribué la même importance à toutes les entrées. Par exemple-
Ici X1 a un poids de 1 et X2 a un poids de 1 et le biais a un poids de 1, mais que se passe-t-il si nous voulons avoir des poids différents attachés à différentes entrées?
Regardons un exemple pour mieux comprendre cela. Supposons qu'aujourd'hui soit une fête universitaire et que vous deviez décider d'y aller ou non en fonction de certaines conditions d'entrée., comme il fait beau? L'endroit est-il proche? Est-ce que ton béguin vient?
Ensuite, Si le temps est agréable, sera présenté avec une valeur de 1, au contraire, 0. de la même manière, si l'endroit est proche, sera représenté avec 1, autrement, 0. Et pareillement, si la personne que vous aimez va venir à la fête ou non.
Supposons maintenant qu'être un adolescent à l'université, adore absolument la personne qu'il aime et peut faire de son mieux pour la voir. Donc, vous irez certainement à la fête, peu importe le temps qu'il fait ou la distance à laquelle se trouve l'endroit., alors vous voudrez attribuer plus de poids à X3 qui représente le béguin par rapport aux deux autres entrées.
Une telle situation peut être représentée si nous attribuons des poids à une entrée comme celle-ci:
On peut attribuer un poids de 3 à la météo, un poids de 2 à l'endroit et un poids de 6 tomber amoureux. Maintenant bien, si la somme de ces trois facteurs, quelle est la météo, le lieu et l'engouement sont supérieurs à un seuil de 5, alors vous pouvez décider d'aller à la fête autrement.
Noter: X0 est la valeur de biais
Ensuite, par exemple, nous avons d'abord pris la condition dans laquelle tomber amoureux est plus important que la météo ou le lieu lui-même.
Alors disons, par exemple, comme nous le représentons ici, le climat (X1) est déformé par 0 et le lieu (X2) est de loin représenté par 0, mais ton béguin (X3) vient au parti représenté par 1, donc quand vous calculez la somme après avoir multiplié les valeurs de Xs avec leurs poids respectifs, on obtient une somme de 0 para Météo (X1), 0 au lieu (X2) Oui 6 pour l'écrasement (X3). Étant donné que 6 est supérieur au seuil de 5, décidera d'aller à la fête. Pourtant, la sortie (Oui) il est 1.
Imaginez maintenant un scénario différent. Imaginez que vous êtes malade aujourd'hui et que vous n'allez pas à la fête n'a pas d'importance, alors cette situation peut être représentée en attribuant le même poids au climat, le lieu et l'engouement pour le seuil de 4.
À présent, dans ce cas, nous modifions la valeur seuil et la fixons à une valeur de 4, donc même s'il fait beau, l'endroit est proche et la personne que vous aimez arrive, tu n'iras pas à la fête puisque la somme, c'est-à-dire, 1 + 1 + 1 égal à 3, est inférieur à la valeur seuil de 4.
Ces w0, w1, w2 et w3 sont appelés poids des neurones et sont différents pour différents neurones. Ces poids sont ce qu'un réseau de neurones doit apprendre pour prendre de bonnes décisions.
Fonctions d'activation dans un réseau de neurones
Maintenant que nous savons comment un réseau de neurones combine différentes entrées à l'aide de poids, passons au dernier aspect d'un neurone appelé Fonctions de déclenchement. Jusqu'à maintenant, ce que nous avons fait, c'est simplement ajouter des entrées pondérées et calculer une sortie, et cette sortie peut être lue de moins l'infini à l'infini.
Mais cela peut être remis en question dans de nombreuses circonstances. Supposons que nous voulions d'abord estimer l'âge d'une personne à partir de sa taille, poids et taux de cholestérol, puis classer la personne en tant que personne âgée ou non, selon que l'âge est supérieur à 60 ans.
Maintenant bien, si nous utilisons ce neurone donné, puis l'âge de -20 c'est même possible. Vous savez que la tranche d'âge selon la structure actuelle de ce neurone variera de -∞ à ∞. Ensuite, même l'âge de quelqu'un comme -20 c'est possible, étant donné cette fourchette absurde d'âge, nous pouvons toujours utiliser notre condition pour décider si une personne est plus âgée ou non. Par exemple, si nous avons dit un certain critère tel qu'une personne n'est plus âgée que si l'âge est supérieur à 60 ans. Ensuite, même si l'âge s'avère être -20, nous pouvons utiliser ce critère pour classer la personne comme pas plus âgée.
Mais ça aurait été tellement mieux si l'âge avait eu tellement plus de sens, comme si la sortie de ce neurone représentant l'âge avait été de l'ordre de, Disons, 0 une 120. Ensuite, Comment pouvons-nous résoudre ce problème lorsque la sortie d'un neurone n'est pas dans une plage particulière?
Une méthode consiste à réduire l'âge du côté négatif serait d'utiliser une fonction comme max. (0, X).
Voyons d'abord l'état d'origine, avant d'utiliser une fonction. Pour le X positif, nous avons eu un Y positif, et pour le X négatif nous avions un Y négatif. Ici l'axe des x représente les valeurs réelles et y représente les valeurs transformées.
Mais maintenant, si vous voulez vous débarrasser des valeurs négatives, ce que nous pouvons faire est d'utiliser une fonction comme max (0, X). Lors de l'utilisation de cette fonction, tout ce qui se trouve du côté négatif de l'axe des x est tronqué à 0.
Ce type de fonction est appelé Función reprendreLa fonction d’activation ReLU (Unité linéaire rectifiée) Il est largement utilisé dans les réseaux neuronaux en raison de sa simplicité et de son efficacité. Défini comme suit : ( F(X) = max(0, X) ), ReLU permet aux neurones de se déclencher uniquement lorsque l’entrée est positive, ce qui permet d’atténuer le problème de l’évanouissement en pente. Il a été démontré que son utilisation améliore les performances dans diverses tâches d’apprentissage profond, faire de ReLU une option.. et ce genre de fonctions, qui transforment l'entrée combinée, sont appelés Fonctions de déclenchement. Ensuite, ReLU es una fonction de réveilLa fonction d’activation est un composant clé des réseaux de neurones, puisqu’il détermine la sortie d’un neurone en fonction de son entrée. Son objectif principal est d’introduire des non-linéarités dans le modèle, vous permettant d’apprendre des modèles complexes dans les données. Il existe différentes fonctions d’activation, comme le sigmoïde, ReLU et tanh, chacun avec des caractéristiques particulières qui affectent les performances du modèle dans différentes applications.....
Selon le type de transformation souhaitée, il peut y avoir différents types de fonctions de déclenchement. Jetons un coup d'œil à certaines des fonctionnalités d'activation les plus populaires:
- Fonction d'activation sigmoïde– Cette fonction transforme la plage des entrées combinées en une plage entre 0 Oui 1. Par exemple, si la sortie est de moins l'infini à l'infini, elle est représentée par l'axe des x, la fonction sigmoïde va restreindre cette plage infinie à une valeur comprise entre 0 Oui 1.
- Fonction d'activation Tanh Cette fonction transforme la plage des entrées combinées en une plage entre -1 Oui 1. Tanh ressemble beaucoup à la forme sigmoïde mais restreint la plage entre -1 Oui 1.
Différentes fonctions de déclenchement fonctionnent différemment sur différentes distributions de données. Ensuite, parfois, vous devez essayer de vérifier différentes fonctions d'activation et trouver celle qui fonctionne le mieux pour un problème particulier.
Remarques finales
Jusqu'à maintenant, Nous avons expliqué que le réseau neuronal est composé de différents types de couches empilées et que chacune de ces couches est composée d'unités individuelles appelées neurones.. Chaque neurone a trois propriétés: le premier est biaisé, le deuxième est le poids et le troisième est la fonction de déclenchement.
En outre, le biais est le seuil négatif après lequel vous voulez que le neurone se déclenche. Le poids est la façon dont vous définissez quelle entrée est la plus importante pour les autres. La fonction de déclenchement aide à transformer l'entrée pondérée combinée pour l'organiser en fonction du besoin à portée de main.
Je vous recommande fortement de consulter notre Ceinture noire certifiée AI et ML Plus Programme pour commencer votre voyage dans le monde fascinant de la science des données et apprendre ces sujets et bien d'autres.
Espero que este artículo funcione como un punto de partida para su aprendizaje hacia las redes neuronales y el l'apprentissage en profondeurL'apprentissage en profondeur, Une sous-discipline de l’intelligence artificielle, s’appuie sur des réseaux de neurones artificiels pour analyser et traiter de grands volumes de données. Cette technique permet aux machines d’apprendre des motifs et d’effectuer des tâches complexes, comme la reconnaissance vocale et la vision par ordinateur. Sa capacité à s’améliorer continuellement au fur et à mesure que de nouvelles données lui sont fournies en fait un outil clé dans diverses industries, de la santé....
Contactez-nous dans les commentaires ci-dessous si vous avez des questions..
