TechCodeview

人工ニューラル ネットワークのチュートリアルでは、ANN の基本概念と高度な概念を説明します。私たちの人工ニューラル ネットワークのチュートリアルは、初心者だけでなく専門家向けにも開発されています。

「人工ニューラル ネットワーク」という用語は、脳をモデルとした、生物学にインスピレーションを得た人工知能のサブ分野を指します。人工ニューラル ネットワークは通常、人間の脳の構造を構築する生物学的ニューラル ネットワークに基づく計算ネットワークです。人間の脳には相互に接続されたニューロンがあるのと同様に、人工ニューラル ネットワークにも、ネットワークのさまざまな層で相互に接続されたニューロンがあります。これらのニューロンはノードとして知られています。

文字列を int に解析する

人工ニューラル ネットワークのチュートリアルでは、人工ニューラル ネットワークに関連するすべての側面をカバーしています。このチュートリアルでは、ANN、適応共鳴理論、コホーネン自己組織化マップ、ビルディング ブロック、教師なし学習、遺伝的アルゴリズムなどについて説明します。

人工ニューラルネットワークとは何ですか?

用語 ' 人工ニューラルネットワーク 」は、人間の脳の構造を発達させる生物学的ニューラルネットワークに由来しています。相互接続されたニューロンを持つ人間の脳と同様に、人工ニューラル ネットワークにも、ネットワークのさまざまな層で相互接続されたニューロンがあります。これらのニューロンはノードとして知られています。

与えられた図は、生物学的ニューラル ネットワークの典型的な図を示しています。

典型的な人工ニューラル ネットワークは、指定された図のようになります。

生物学的ニューラル ネットワークの樹状突起は人工ニューラル ネットワークの入力を表し、細胞核はノードを表し、シナプスは重みを表し、軸索は出力を表します。

生物学的ニューラル ネットワークと人工ニューラル ネットワークの関係:

アン 人工ニューラルネットワーク の分野で 人工知能 人間の脳を構成するニューロンのネットワークを模倣して、コンピューターが人間のような方法で物事を理解し、意思決定を行えるようにすることを試みます。人工ニューラル ネットワークは、単純に相互接続された脳細胞のように動作するようにコンピューターをプログラムすることによって設計されています。

人間の脳には約10000億個のニューロンがあります。各ニューロンには、1,000 ～ 100,000 の範囲の関連点があります。人間の脳内ではデータが分散して保存されており、必要に応じて複数のデータを記憶から並行して取り出すことができます。人間の脳は信じられないほど素晴らしい並列プロセッサで構成されていると言えます。

例を挙げて人工ニューラル ネットワークを理解することができます。入力を受け取り出力を与えるデジタル論理ゲートの例を考えてみましょう。 2 つの入力を受け取る「OR」ゲート。一方または両方の入力が「オン」の場合、出力も「オン」になります。両方の入力が「オフ」の場合、出力も「オフ」になります。ここで、出力は入力に依存します。私たちの脳は同じタスクを実行するわけではありません。私たちの脳内のニューロンが「学習」しているため、出力と入力の関係は変化し続けます。

人工ニューラル ネットワークのアーキテクチャ:

人工ニューラル ネットワークのアーキテクチャの概念を理解するには、ニューラル ネットワークが何で構成されているかを理解する必要があります。一連の層に配置されたユニットと呼ばれる多数の人工ニューロンで構成されるニューラル ネットワークを定義するため。人工ニューラル ネットワークで利用できるさまざまな種類の層を見てみましょう。

人工ニューラル ネットワークは主に 3 つの層で構成されます。

入力レイヤー:

名前が示すように、プログラマが提供するいくつかの異なる形式の入力を受け入れます。

非表示レイヤー:

隠れ層は入力層と出力層の間に存在します。隠れた特徴やパターンを見つけるためにすべての計算が実行されます。

出力層:

入力は隠れ層を使用した一連の変換を経て、最終的にこの層を使用して伝達される出力になります。

人工ニューラル ネットワークは入力を受け取り、バイアスを含む入力の加重合計を計算します。この計算は伝達関数の形式で表されます。

CSSでテキストに下線を付ける

これにより、加重合計が入力としてアクティベーション関数に渡され、出力が生成されることが決定されます。アクティベーション関数は、ノードを起動するかどうかを選択します。解雇された人だけが出力層に到達します。実行しているタスクの種類に適用できる、独自のアクティベーション関数が利用可能です。

人工ニューラルネットワーク (ANN) の利点

並列処理能力:

人工ニューラル ネットワークには、複数のタスクを同時に実行できる数値があります。

ネットワーク全体にデータを保存する:

従来のプログラミングで使用されるデータは、データベースではなくネットワーク全体に保存されます。 1 か所でいくつかのデータが消えても、ネットワークの動作が妨げられるわけではありません。

不完全な知識でも作業できる能力:

ANN トレーニング後、データが不十分であっても、情報によって出力が生成される場合があります。ここでのパフォーマンスの損失は、データの欠落の重要性に依存します。

メモリ分散がある場合:

ANN が適応できるようにするには、例を決定し、これらの例をネットワークにデモンストレーションすることで、望ましい出力に従ってネットワークを奨励することが重要です。ネットワークの継続は選択されたインスタンスに直接比例し、イベントがそのすべての側面でネットワークに現れることができない場合、誤った出力が生成される可能性があります。

耐障害性を備えている:

ANN の 1 つまたは複数のセルを恐喝しても、ANN が出力を生成することは禁止されず、この機能によりネットワークの耐障害性が高まります。

人工ニューラル ネットワークの欠点:

適切なネットワーク構造の保証:

人工ニューラルネットワークの構造を決定するための特別なガイドラインはありません。適切なネットワーク構造は、経験、試行錯誤を通じて完成されます。

ネットワークの認識されない動作:

それはANNの最も重要な問題です。 ANN がテスト ソリューションを作成する場合、その理由と方法に関する洞察は提供されません。ネットワークの信頼性が低下します。

int を 2 倍にする

ハードウェア依存性:

人工ニューラル ネットワークには、その構造に応じて並列処理能力を備えたプロセッサが必要です。したがって、装置の実現は依存します。

問題をネットワークに伝えるのが難しい:

ANN は数値データを処理できます。 ANN に導入する前に、問題を数値に変換する必要があります。ここで解決されるプレゼンテーション メカニズムは、ネットワークのパフォーマンスに直接影響します。それはユーザーの能力に依存します。

ネットワークの存続期間は不明です。

ネットワークは誤差の特定の値まで削減されますが、この値では最適な結果が得られません。

2020 年代半ばに世界に浸透した科学人工ニューラル ネットワーク^番目今世紀は飛躍的に発展しています。今回は、人工ニューラル ネットワークの長所と、その利用の過程で遭遇する問題点を調査しました。科学部門として栄えているANNネットワークの短所は個別に解消され、長所は日に日に増してきていることを見落としてはならない。それは、人工ニューラルネットワークが私たちの生活にとってかけがえのない部分となり、ますます重要になることを意味します。

人工ニューラルネットワークはどのように機能するのでしょうか?

人工ニューラル ネットワークは、人工ニューロンがノードを形成する重み付き有向グラフとして最もよく表すことができます。ニューロン出力とニューロン入力の間の関連は、重み付きの有向エッジとして見ることができます。人工ニューラル ネットワークは、外部ソースからパターンの形式で入力信号を、ベクトルの形式で画像を受信します。これらの入力は、n 個の入力ごとに x(n) という表記によって数学的に割り当てられます。

その後、各入力に対応する重みが乗算されます (これらの重みは、特定の問題を解決するために人工ニューラル ネットワークによって利用される詳細です)。一般的に、これらの重みは通常、人工ニューラル ネットワーク内のニューロン間の相互接続の強さを表します。すべての重み付けされた入力はコンピューティング ユニット内で要約されます。

文字列分割Java

重み付けされた合計がゼロに等しい場合は、出力を非ゼロにするためにバイアスが追加されるか、システムの応答に合わせてスケールアップされるその他の何かが追加されます。バイアスには同じ入力があり、重みは 1 に等しくなります。ここで、重み付けされた入力の合計は 0 から正の無限大の範囲になります。ここでは、応答を望ましい値の制限内に維持するために、特定の最大値がベンチマークされ、重み付けされた入力の合計がアクティベーション関数に渡されます。

活性化関数は、目的の出力を達成するために使用される伝達関数のセットを指します。異なる種類の活性化関数がありますが、主に線形または非線形の関数セットです。一般的に使用される活性化関数のセットには、バイナリ、線形、Tan 双曲線シグモイド活性化関数などがあります。それぞれを詳しく見てみましょう。

バイナリ：

バイナリ アクティベーション関数では、出力は 1 または 0 です。ここでは、これを達成するために、しきい値が設定されています。ニューロンの正味重み付け入力が 1 より大きい場合、活性化関数の最終出力は 1 として返され、それ以外の場合は出力は 0 として返されます。

シグモイド双曲線:

S 字双曲線関数は、一般に ' S 'の形の曲線。ここでは、tan 双曲線関数を使用して、実際の正味入力からの出力を近似します。関数は次のように定義されます。

F(x) = (1/1 + exp(-????x))

どこ ？？？？は急峻さパラメータとみなされます。

人工ニューラルネットワークの種類:

人間の脳のニューロンとネットワーク機能に応じてさまざまなタイプの人工ニューラル ネットワーク (ANN) があり、人工ニューラル ネットワークは同様にタスクを実行します。人工ニューラル ネットワークの大部分は、より複雑な生物学的パートナーといくつかの類似点を持ち、期待されるタスクにおいて非常に効果的です。たとえば、セグメンテーションや分類などです。

フィードバック ANN:

このタイプの ANN では、出力はネットワークに戻り、内部で最適に進化した結果が得られます。によると マサチューセッツ大学 、ローウェル大気研究センター。フィードバック ネットワークは情報をそれ自体にフィードバックし、最適化の問題を解決するのに適しています。内部システム エラー修正にはフィードバック ANN が利用されます。

フィードフォワードANN:

前提条件

このチュートリアルを開始する前に、前提条件として特別な専門知識は必要ありません。

観客

私たちの人工ニューラル ネットワーク チュートリアルは、ANN の基本概念を理解できるように、初心者だけでなく専門家向けにも開発されています。

問題点

この人工ニューラル ネットワークのチュートリアルでは問題が見つからないことを保証します。ただし、問題や間違いがある場合は、さらに改善できるよう、お問い合わせフォームに問題を投稿してください。