Fakultet Kompyuter injinering

Sun’iy neyron tarmoqlari modellari 
Sun'iy neyron tarmoqlari (ANNlar), odatda oddiy deb nomlanadi asab
tarmoqlari (NNlar), hisoblash tizimlari tomonidan noaniq ravishda ilhomlangan
biologik neyron tarmoqlari hayvonlarni tashkil qiladi miyalar.
ANN bog'langan birliklar yoki tugunlar to'plamiga asoslangan sun'iy
neyronlar, bu erkin tarzda modellashtirilgan neyronlar biologik miyada. Kabi har bir
ulanish sinapslar biologik miyada signalni boshqa neyronlarga etkazishi mumkin.
Signalni qabul qiladigan sun'iy neyron keyinchalik uni qayta ishlaydi va unga
bog'langan neyronlarga signal berishi mumkin. Ulanishdagi "signal" a haqiqiy
raqam, va har bir neyronning chiqishi uning kirishlari yig'indisining ba'zi bir chiziqli
bo'lmagan funktsiyalari bilan hisoblanadi. Ulanishlar deyiladi qirralar. Neyronlar va
qirralar odatda a ga ega vazn bu o'rganishni davom ettirishga moslashtiradigan narsa.
Og'irligi ulanish paytida signal kuchini oshiradi yoki kamaytiradi. Neyronlarning
chegarasi bo'lishi mumkin, shunda signal faqat yig'ilgan signal ushbu chegarani
kesib o'tgan taqdirdagina yuboriladi. Odatda neyronlar qatlamlarga birlashtiriladi.
Turli qatlamlar o'zlarining kirishlarida turli xil o'zgarishlarni amalga oshirishi
mumkin. Signallar birinchi qatlamdan (kirish qatlami), oxirgi qatlamga (chiqish
qatlami), ehtimol qatlamlarni bir necha marta bosib o'tgandan keyin o'tadi.
Entsiklopediya site:uz.wikisko.ru
Neyron tarmoqlari misollarni qayta ishlash
orqali o'rganadi (yoki o'qitiladi), ularning har biri ma'lum bo'lgan "kirish" va "natija"
ni o'z ichiga oladi, bu ikkalasi o'rtasida aniqlik tarkibidagi ma'lumotlar
assotsiatsiyasini shakllantiradi. Nerv tarmog'ini keltirilgan misoldan o'rgatish odatda
tarmoqning qayta ishlangan chiqishi (ko'pincha bashorat qilish) va maqsadli chiqish
o'rtasidagi farqni aniqlash orqali amalga oshiriladi. Bu xato. Keyin tarmoq o'z
qoidalariga binoan va ushbu xatolik qiymatidan foydalangan holda o'z vaznli
assotsiatsiyalarini sozlaydi. Ketma-ket tuzatishlar neyron tarmoqni maqsadli
chiqishga tobora ko'proq o'xshash ishlab chiqarishni keltirib chiqaradi. Ushbu
tuzatishlarning etarli sonidan so'ng ma'lum mezonlarga asoslanib, mashg'ulot
tugatilishi mumkin. Bu sifatida tanilgan nazorat ostida o'rganish.
Bunday tizimlar, misollarni ko'rib chiqish orqali vazifalarni bajarishni
"o'rganadilar", odatda vazifalarga xos qoidalar bilan dasturlashtirilmasdan. Masalan,
ichida tasvirni aniqlash, ular qo'lda qilingan misollarni tahlil qilish orqali
mushuklarni o'z ichiga olgan rasmlarni aniqlashni o'rganishlari mumkin belgilangan
"mushuk" yoki "mushuk yo'q" sifatida va boshqa rasmlarda mushuklarni aniqlash
uchun natijalardan foydalanish. Ular buni mushuklar haqida oldindan bilmasdan
qilishadi, masalan, ularning mo'ynasi, dumlari, mo'ylovi va mushukka o'xshash
yuzlari. Buning o'rniga, ular avtomatik ravishda ishlov beradigan misollardan
aniqlovchi xususiyatlarni yaratadilar.Entsiklopediya site:uz.wikisko.ru
Uorren
Makkullox va Valter Pitts (1943) neyron tarmoqlar uchun hisoblash modelini
yaratish orqali mavzuni ochdi.1940-yillarning oxirida, D. O. Hebb mexanizmiga

asoslangan o'quv gipotezasini yaratdi asab plastisiyasi deb tanilgan Xebbiylarni

o'rganish. Farley va Uesli A. Klark (1954) birinchi bo'lib Hebbian tarmog'ini
simulyatsiya qilish uchun "kalkulyator" deb nomlangan hisoblash mashinalaridan
foydalangan. Rozenblatt (1958) yaratgan pertseptron. Ko'p qatlamli birinchi
funktsional tarmoqlar tomonidan nashr etilgan Ivaxnenko va 1965 yilda Lapa,
sifatida Ma'lumotlar bilan ishlashning guruh usuli. Uzluksiz orqaga surish asoslari
kontekstida olingan boshqaruv nazariyasi tomonidan Kelley 1960 yilda va
tomonidan Bryson 1961 yilda, ning tamoyillaridan foydalangan holda dinamik
dasturlash.
1970 yilda, Seppo Linnainmaa uchun umumiy uslubni nashr etdi avtomatik
farqlash (AD) joylashtirilgan diskret ulangan tarmoqlar farqlanadigan funktsiyalari.
1973 yilda Dreyfus moslashish uchun backpropagation-dan foydalangan
parametrlar xato gradyanlariga mutanosib ravishda tekshirgichlar. Werbosning
(1975) orqaga targ'ib qilish algoritm ko'p qatlamli tarmoqlarni amaliy o'qitishga
imkon berdi. 1982 yilda u Linnainmaaning AD usulini neyron tarmoqlarga keng
qo'llaniladigan usulda qo'llagan. Keyinchalik tadqiqotlar to'xtab qoldi Minskiy va
Papert (1969), asosiy pertseptronlar eksklyuziv yoki elektronni qayta ishlashga qodir
emasligini va kompyuterlarning foydali neyron tarmoqlarini qayta ishlash uchun
etarli kuchga ega emasligini aniqladi.
Neyroning rivojlanishi metall-oksid-yarim o'tkazgich (MOS) juda keng
ko'lamli integratsiya (VLSI), shaklida qo'shimcha MOS (CMOS) texnologiyasi,
MOS-ni oshirishga imkon berdi tranzistorlar soni yilda raqamli elektronika.Bu
1980-yillarda amaliy sun'iy neyron tarmoqlarini rivojlantirish uchun ko'proq ishlov
berish quvvatini ta'minladi.
1992 yilda, maksimal pul yig'ish eng kam o'zgaruvchan invariantlik va
yordam berish uchun deformatsiyaga bardoshlik bilan yordam berish uchun
kiritilgan Ob'ektni 3D tanib olish. Shmidhuber tarmoqlarning ko'p bosqichli
iyerarxiyasini qabul qildi (1992) birma-bir darajani oldindan tayyorlab qo'ydi
nazoratsiz o'rganish va yaxshi sozlangan orqaga targ'ib qilish.
Jefri Xinton va boshq. (2006) ikkilik yoki real qiymatlarning ketma-ket
qatlamlari yordamida yuqori darajadagi vakillikni o'rganishni taklif qildi yashirin
o'zgaruvchilar bilan cheklangan Boltzmann mashinasi har bir qatlamni
modellashtirish uchun. 2012 yilda, Ng va Dekan mushuklar kabi yuqori darajadagi
tushunchalarni faqat yorliqsiz tasvirlarni tomosha qilish orqali tanib olishni
o'rgangan tarmoq yaratdi.Nazorat qilinmagan oldindan tayyorgarlik va hisoblash
quvvatining ortishi Grafik protsessorlar va tarqatilgan hisoblash katta tarmoqlardan
foydalanishga ruxsat berdi, ayniqsa tasvir va vizual tanib olish muammolarida
"chuqur o'rganish".

Ciresan va uning hamkasblari (2010) Yo'qolib borayotgan gradient

muammosiga qaramay, GPUlar ko'p qatlamli neyron tarmoqlari uchun
backpropagatsiyani amalga oshirishi mumkinligini ko'rsatdi. 2009 yildan 2012
yilgacha ANNlar ANN musobaqalarida sovrinlarni qo'lga kirita boshladilar, dastlab
turli darajadagi vazifalar bo'yicha inson darajasidagi ko'rsatkichlarga yaqinlashdilar.
naqshni aniqlash va mashinada o'rganish. Masalan, ikki yo'nalishli va ko'p o'lchovli
uzoq muddatli xotira (LSTM) ning Qabrlar va boshq. 2009 yilda qo'l yozuvi bilan
bog'liq uchta tanlovda g'olib bo'lib, uchta til haqida oldindan bilmagan holda.
Ciresan va uning hamkasblari inson tomonidan raqobatbardosh / g'ayriinsoniy
ko'rsatkichlarga erishish uchun birinchi namuna taniydiganlarni yaratdilar yo'l
belgilarini
aniqlash
kabi
mezonlarga
(IJCNN
2012).Entsiklopediya
site:uz.wikisko.ru
ANNlar an'anaviy algoritmlar kam muvaffaqiyatga erishgan
vazifalarni bajarish uchun inson miyasining arxitekturasidan foydalanishga urinish
sifatida boshlandi. Tez orada ular empirik natijalarni yaxshilashga yo'naldilar,
asosan biologik kashshoflariga sodiq qolish urinishlaridan voz kechdilar.
Neyronlarning chiqishi boshqalarning kirish qismiga aylanishiga imkon berish
uchun neyronlar bir-biriga turli xil naqshlarda bog'langan. Tarmoq a yo'naltirilgan,
vaznli grafik.
Sun'iy asab tarmog'i simulyatsiya qilingan neyronlarning to'plamidan iborat.
Har bir neyron a tugun orqali boshqa tugunlarga ulangan havolalar biologik akson-
sinaps-dendrit birikmalariga mos keladigan. Har bir bog'lanishning og'irligi bor, bu
bitta tugunning boshqasiga ta'sir kuchini aniqlaydi.
ANNlarning tarkibiy qismlariEntsiklopediya site:uz.wikisko.ru
ANNlar
tarkib topgan sun'iy neyronlar kontseptual ravishda biologik olingan neyronlar. Har
bir sun'iy neyronning kirishlari mavjud va ular bir nechta boshqa neyronlarga
yuborilishi mumkin bo'lgan bitta ishlab chiqarishni ishlab chiqaradi. Kirish rasmlar
yoki hujjatlar kabi tashqi ma'lumotlar namunasining xususiyat qiymatlari yoki
boshqa neyronlarning chiqishi bo'lishi mumkin. Final natijalari chiqish neyronlari
asab tarmog'i vazifani bajaradi, masalan, rasmdagi ob'ektni tanib olish.
Neyronning chiqishini topish uchun avval biz tomonidan tortilgan barcha
kirishlarning tortilgan yig'indisini olamiz og'irliklar ning ulanishlar kirishlardan
neyrongacha. Biz qo'shamiz tarafkashlik ushbu summa uchun muddat. Ushbu
tortilgan yig'indiga ba'zan deyiladi faollashtirish. Ushbu tortilgan yig'indidan keyin
(odatda chiziqli bo'lmagan) faollashtirish funktsiyasi mahsulotni ishlab chiqarish.
Dastlabki yozuvlar tashqi ma'lumotlar, masalan, rasm va hujjatlar. Rasmdagi
ob'ektni tanib olish kabi yakuniy natijalar vazifani bajaradi.Entsiklopediya
site:uz.wikisko.ru
Neyronlar odatda bir nechta qatlamlarga bo'linadi, ayniqsa chuqur
o'rganish. Bir qatlam neyronlari faqat oldingi va darhol keyingi qatlamlarning
neyronlari bilan bog'lanadi. Tashqi ma'lumotlarni qabul qiladigan qatlam bu kirish
qatlami. Yakuniy natija beradigan qatlam bu chiqish qatlami. Ularning orasidagi nol

yoki undan ko'p yashirin qatlamlar. Bir qavatli va qatlamsiz tarmoqlardan ham

foydalaniladi. Ikki qatlam o'rtasida bir nechta ulanish naqshlari mumkin. Ular
bo'lishi mumkin to'liq ulangan, bitta qatlamdagi har bir neyron keyingi qatlamdagi
har bir neyron bilan bog'langan holda. Ular bo'lishi mumkin hovuzlash, bu erda bir
qatlamdagi neyronlar guruhi keyingi qatlamdagi bitta neyronga ulanadi va shu bilan
ushbu qatlamdagi neyronlarning sonini kamaytiradi. Faqat shu kabi birikmalarga
ega neyronlar a ni hosil qiladi yo'naltirilgan asiklik grafik va sifatida tanilgan
feedforward tarmoqlari. Shu bilan bir qatorda, bir xil yoki oldingi qatlamlarda
neyronlar orasidagi bog'lanishni ta'minlaydigan tarmoqlar sifatida tanilgan takroriy
tarmoqlar.