뉴럴 네트워크 예제

우리의 특정 경우에, 우리의 신경망 (훈련 된 후) 인식 하거나 입력 사이 구별 하 고 원하는 출력을 생성 합니다 위치 (우리는 여전히 특정 상황에 대 한 코딩 해야 합니다):이 방법은 rando 관찰을 기반으로 합니다. m 초기화는 나쁜 생각이며, 자율 학습 알고리즘으로 각 레이어를 미리 학습하면 초기 가중치가 향상될 수 있습니다. 이러한 감독되지 않은 알고리즘의 예는 깊은 믿음 네트워크입니다. 확률적 자동 엔코더에 대한 변형 방법을 사용하여 이 지역을 되살리려는 몇 가지 최근 연구가 있습니다. 최종 결과는 매우 복잡한 질문을 나누는 네트워크입니다 -이 이미지는 얼굴을 보여 주거나하지 않습니다 – 단일 픽셀 수준에서 대답 할 수있는 매우 간단한 질문으로. 초기 레이어는 입력 이미지에 대한 매우 간단하고 구체적인 질문에 답하고, 이후 레이어는 더욱 복잡하고 추상적인 개념의 계층 구조를 구축하는 일련의 레이어를 통해 이 작업을 수행합니다. 이러한 종류의 다중 계층 구조(둘 이상의 숨겨진 계층)를 가진 네트워크를 심층 신경망이라고 합니다. 물론 네트워크 개체가 원하는 가장 중요한 것은 배우는 것입니다. 이를 위해 우리는 그들에게 stochastic 그라데이션 하강을 구현하는 SGD 방법을 제공 할 것입니다. 코드는 다음과 같습니다.

그것은 몇 가지 장소에서 조금 신비, 하지만 난 아래 그것을 분해 거 야, 목록 후. 꿈, 기억, 아이디어, 자기 규제 운동, 반사 신경 및 당신이 생각하거나하는 모든 것은이 과정을 통해 생성됩니다 : 수백만, 어쩌면 수십억 개의 뉴런이 다른 속도로 발사되고 연결이되어 다른 하위 시스템을 만듭니다. 모든 병렬로 실행하고 생물학적 신경망을 생성. 우리는 이제 뇌와 토끼의 생물학적 세계를 떠나 우리가 인공 신경망을 만들기 위해 배운 것들의 일부를 적응시킬 것입니다. 우리가 할 첫 번째 일은 간단한 문제를 정의하는 것입니다. 신호 처리 — 인공와우와 보청기는 불필요한 소음을 걸러내고 중요한 소리를 증폭시켜야 합니다. 신경망은 오디오 신호를 처리하고 적절하게 필터링하도록 훈련될 수 있습니다. 이 모든 것을 염두에 두고 네트워크 인스턴스의 출력을 계산하는 코드를 쉽게 작성할 수 있습니다. 우리는 sigmoid 기능을 정의하는 것으로 시작: 제어 —당신은 자율 주행 자동차의 최근 연구 발전에 대해 읽었을 수 있습니다.

신경망은 종종 물리적 차량(또는 시뮬레이션된 차량)의 조향 결정을 관리하는 데 사용됩니다. 연결 개체에 대한 아이디어가 있으면 두 개의 뉴런을 함께 연결하는 함수(네트워크 클래스 내에 넣도록 합시다)를 작성할 수 있습니다. MNIST 데이터를 로드한 후 $ 30 $ 숨겨진 뉴런으로 네트워크를 설정합니다. 우리는 네트워크라는 이름의 파이썬 프로그램을 가져 온 후이 작업을 수행, 너무 빨리 배울 수있는 인공 신경망 능력은 그들이 다양한 작업에 매우 강력하고 유용하게 만드는 것입니다. 그러나 그들은 어떻게 배울 수 있습니까? 정보는 두 가지 방법으로 신경망을 통해 흐릅니다. 모델이 학습(학습 중) 또는 정상적으로 작동중일 때(학습 중 사용 또는 테스트 된 후) 데이터 집합의 정보 패턴이 입력 뉴런을 통해 네트워크에 공급되어 숨겨진 뉴런의 레이어를 트리거하고 출력 뉴런에 도착합니다.