Нейронные сети — это функциональная единица глубокого обучения, которая, как известно, имитирует поведение человеческого мозга для решения сложных задач, связанных с данными. Входные данные обрабатываются различными слоями искусственных нейронов, собранных вместе, чтобы произвести желаемый результат. От распознавания речи и распознавания людей до здравоохранения и маркетинга, нейронные сети используются в самых разных областях. А как сегодня нейросеть Nvidia GameGAN с легкостью имитирует игровые движки читайте перейдя по ссылке.
Ключевые компоненты архитектуры нейронной сети
Архитектура нейронной сети состоит из отдельных единиц, называемых нейронами, которые имитируют биологическое поведение мозга.
Вот различные компоненты нейрона.
Компоненты нейрона
Нейрон в искусственной нейронной сети
Входные данные — это набор функций, которые вводятся в модель для процесса обучения. Например, входными данными при обнаружении объекта может быть массив значений пикселей, относящихся к изображению.
Вес — его основная функция — придавать значение тем функциям, которые больше способствуют обучению. Это достигается путем введения скалярного умножения между входным значением и весовой матрицей. Например, отрицательное слово повлияет на решение модели анализа настроений больше, чем пара нейтральных слов.
Передаточная функция — задача передаточной функции состоит в том, чтобы объединить несколько входов в одно выходное значение, чтобы можно было применить функцию активации. Это делается простым суммированием всех входов передаточной функции.
Функция активации — вводит нелинейность в работу перцептронов, чтобы учитывать изменяющуюся линейность входов. Без этого выход был бы просто линейной комбинацией входных значений и не смог бы внести нелинейность в сеть.