Глубокая нейронная сеть (и вообще машинное обучение) - это наиболее востребованный технологический навык, поскольку он изменит нашу жизнь больше, чем мы можем себе представить. Но изучение глубокой нейронной сети может стать непосильной задачей для новичков. Ниже я попытался объяснить глубинную нейронную сеть самым простым способом с помощью аналогии.

У меня был любимый повар, который готовил два блюда. Он был моим любимым поваром, так как знал, какое блюдо приготовить, чтобы я была счастлива.

Но он держал свои правила в секрете. Он имел обыкновение видеть на входах (в левой части изображения), например, солнечно, дождливо или гости, и решал приготовить пиццу или торт (показано справа).

Судя по всему, его секретные правила были:
1. Готовить пиццу в дождливые дни
2. Торт в солнечные дни
3. Торт, если гости приходят в гости, даже в дождливые дни.

Но однажды он ушел с работы!

К нам присоединился новый повар, который понятия не имел о секретных правилах.
Я сказал ему, что многого жду от него.
Умный повар попросил несколько дней тренировочного времени и мои отзывы каждый день во время тренировок. .

Я согласился!

В первый день в солнечный день он приготовил пиццу.

Я выразил свое неудовольствие, сказав, что предпочел бы что-нибудь сладкое. Он принял это к сведению.

На второй день он приготовил торт, когда на улице шел дождь.

Я сказал ему, что пицца подошла бы моему настроению сегодня. Он записал, что готовит пиццу, когда будет дождь.

На третий день он приготовил пиццу, так как на улице шел дождь. Мои друзья были в гостях у меня дома.

Я сказал повару, что мои друзья любят торт больше, чем пиццу, независимо от внешнего вида. Он отметил новое правило.

На 4-й день повар заявил, что теперь он обучен и теперь может правильно выбирать блюдо.

Нейронные сети похожи на умного повара.

Нейронные сети способны воспроизводить любое поведение методом проб и ошибок.

Нейронная сеть общается с помощью чисел. Если input - истина, он будет вызываться как 1 и 0, если ложь.
Синие круги внизу называются узлами. Узлы связаны нейронными связями с грузом. Чем больше вес, тем сильнее связь. Думайте о весе как о количестве голосов, за которые голосует узел. Голос может быть положительным или отрицательным. Голоса на последнем уровне складываются для принятия решения о выборе.

Пробный день 1 - это итерация 1 тренировки. Ниже показано соединение, назначенное случайным образом. Поскольку входы для дождя и гостей равны нулю, их узлы не участвуют в процессе голосования.

Поскольку обратная связь недопустима, нейронная сеть корректирует вес (голос) следующим образом:

На итерации 2 нейронная сеть предполагает следующее:

После изучения обратной связи нейронная сеть корректирует веса (голоса), как показано ниже:

Итерация 3: нейронная сеть уже узнала о пицце во время дождя, поэтому голосует за пиццу.

Но торт ожидался для друзей, поэтому нейронная сеть изменяет голоса, связанные с гостями, чтобы дать больше голосов за торт, чем за пиццу. Слой справа суммирует голоса, чтобы получить торт, как ожидаемый результат.

После фазы обучения нейронная сеть представляет собой комбинацию всех изученных связей. Связи с нулевым весом (голосом) не показаны на диаграмме, так как они не участвуют в процессе голосования. Каждый раз, когда на входе вводится 1 (например, солнечный день), узел генерирует его вывод (торт).

Поехали ГЛУБОКО

Со временем мой выбор усложнился. Мои измененные предпочтения указаны ниже:

  • Если дома вечеринка с друзьями и родителями, то я хочу торт.
  • Иногда я действительно сокращаю расходы, когда дома много гостей и слишком много овощей в холодильнике. В те времена я предпочитаю пиццу.
  • Если в ясный день я играю в крикет с друзьями, то предпочитаю торт.
  • Пока я смотрю футбол по телевизору, я люблю есть пиццу. Я смотрю футбольный матч, когда у меня есть друзья дома и я не могу выйти поиграть из-за дождя. Также родителей не должно быть дома.
  • Если дома вечеринка, а у меня мало средств, то вместо торта у меня будет пицца.
  • Я занимаюсь, когда на улице светло и никого нет дома. Я ем пиццу в эти дни.

Мы можем работать с этими условиями так же, как и в приведенной выше истории, и получить на основе обученной ниже нейронной сети «DEEP»,

Красная линия указывает отрицательный вес, обычно это -1. Исключение составляет -3 и -2 веса, показанные выше. Все зеленые линии несут положительный вес +1. Эти веса (голоса) добавляются на последнем слое, чтобы определить выбор блюда.

Вышеупомянутая нейронная сеть называется глубокой нейронной сетью, поскольку она имеет входной слой слева, выходной слой справа и (как минимум) 1 скрытый слой посередине. При сложном моделировании количество скрытых слоев может увеличиваться.

Это была проблема двоичной классификации, так как на выходе было только два значения (торт, пицца). Другими примерами бинарной классификации могут быть да / нет, присутствует / отсутствует, хорошо / дефектно, кошка / нет кота. Мы можем распространить указанную выше проблему на несколько вариантов блюд (например, торт, пиццу, гамбургер, сэндвич), и тогда это станет проблемой многоклассовой классификации.

Если вам понравился блог, пожалуйста, хлопайте мне в ладоши. Спасибо!