Reja: Sun'iy Neyron to'rlar
Download 389.48 Kb. Pdf ko'rish
|
1 2
Bog'liqSun\'iy neyron turlarini o\'rganish. Ortiqboyev Hayotjon
qatlamli perceptron sifatida tanilgan. ANN va perceptron o'rtasidagi farq
shundaki, ANN sigmasimon kabi chiziqli bo'lmagan faollashtirish funktsiyasidan foydalanadi, ammo perceptron qadam funktsiyasidan foydalanadi. Va bu chiziqsizlik Annga o'zining katta kuchini beradi. Sezgi Ko'p allaqachon davom bo'lyapdi, hatto asosiy oldinga dovoni bilan. Keling, buni soddalashtiraylik va uning orqasidagi sezgi tushunaylik. Aslida ANNNING har bir qatlami nima qiladi-bu kirishni bir vektor fazosidan boshqasiga chiziqli bo'lmagan o'zgartirish. Misol sifatida yuqoridagi 1-rasmdagi Anndan foydalanamiz. Bizda 3D fazodagi vektorga mos keluvchi 3 o'lchovli erkli o'zgaruvchi mavjud. Keyin biz uni har biri 4 tugunli ikkita yashirin qatlamdan o'tkazamiz. Va yakuniy chiqish 1D vektor yoki skalar. Shunday qilib, agar biz buni vektorli transformatsiyalar ketma-ketligi sifatida tasavvur qilsak, avval 3D kiritishni 4D vektor fazosiga moslashtiramiz, so'ngra yangi 4D fazoga yana bir o'zgartirishni amalga oshiramiz va yakuniy transformatsiya uni 1d ga kamaytiradi. bu shunchaki matritsa ko'paytmalari zanjiri. Oldinga o'tish ushbu matritsali nuqta mahsulotlarini bajaradi va natijaga aktivizatsiya funktsiyasini element bo'yicha qo'llaydi. Quyidagi rasmda faqat ishlatilayotgan og'irlik matritsalari ko'rsatilgan (aktivlashishlar emas). Fikr Hozircha biz chuqur modellar nima va ular qanday ishlashi haqida gaplashdik, lekin nima uchun biz birinchi navbatda chuqur ketishimiz kerak? Biz ANN qatlami o'z erkli o'zgaruvchilarini bir vektor fazodan ikkinchisiga chiziqli bo'lmagan o'zgartirishni amalga oshirishini ko'rdik. Agar biz tasniflash muammosini misol qilib olsak, qaror chegarasini chizish orqali sinflarni ajratmoqchimiz. Berilgan shakldagi kirish ma'lumotlari ajratilmaydi. Har bir qatlamda chiziqli bo'lmagan o'zgarishlarni amalga oshirish orqali biz kirishni yangi vektor maydoniga loyihalashtira olamiz va sinflarni ajratish uchun murakkab qaror chegarasini chizamiz. Keling, aniq bir misol bilan tasvirlangan narsalarni tasavvur qilaylik. Quyidagi ma'lumotlarni hisobga olsak, u chiziqli ravishda ajratilmasligini ko'rishimiz mumkin. Xulosa qilib aytganda, Annlar juda moslashuvchan, ammo kuchli chuqur o'rganish modellari. Ular universal funktsiya taxminchilari, ya'ni ular har qanday murakkab funktsiyani modellashtirishi mumkin. Yaqinda bir nechta sabablarga ko'ra ularning mashhurligi bo'yicha aql bovar qilmaydigan o'sish kuzatildi: bu modellarni tayyorlashga imkon beradigan aqlli fokuslar, hisoblash quvvatining katta o'sishi, ayniqsa Gpu'lar va tarqatilgan treninglar va o'quv ma'lumotlarining katta miqdori. Bularning barchasi chuqur o'rganishga imkon berdi. Bu qisqa joriy etish edi, chuqur asab to'r qamrab qaysi onlayn buyuk darslarda tonna bor. Malumot uchun, men juda bu qog'oz tavsiya. Bu chuqur o'rganish va bo'lim fantastik obzori ekan 4 Enn qamrab olgan. Yana bir katta yozuvlar onlayn mavjud. Falaj. Ba'zi hollarda, tarmoq o'rganish paytida tarozi modifikatsiyasi tarmoqdagi haqiqiy o'zgarishlarga olib kelmaydigan holatga tushishi mumkin. Bunday "tarmoq falaji" jiddiy muammodir: bir marta paydo bo'lganda, u o'quv vaqtini bir necha darajaga oshirishi mumkin. Paralitik neyronlarning katta qismi katta net qiymatlarini berish uchun etarlicha katta og'irliklarni olganda paydo bo'ladi. Natijada, out qiymati chegara qiymatiga yaqinlashadi va siqish funktsiyasining hosilasi nolga yaqinlashadi. Ko'rib turganimizdek, vazn o'zgarishi miqdorini hisoblashda teskari tarqalish algoritmi ushbu hosilani formulada koeffitsient sifatida ishlatadi. Paralitik ta'sirlangan neyronlar uchun lotinning nolga yaqinligi vazn o'zgarishini nolga yaqinlashtiradi. Agar shunga o'xshash sharoitlar tarmoqning ko'plab neyronlarida paydo bo'lsa, unda o'rganish deyarli to'xtab qolishi mumkin. Trening davomida tarmoq falaj bo'ladimi yoki yo'qligini bashorat qila oladigan nazariya yo'q. Kichik qadam o'lchamlari falajga olib kelishi ehtimoli kamroq ekanligi eksperimental ravishda aniqlandi, ammo bitta vazifa uchun kichik qadam boshqasi uchun katta bo'lishi mumkin. Falajning narxi yuqori bo'lishi mumkin. Modellashtirishda ko'p soatlik mashina vaqti falajdan chiqib ketishi mumkin. Stoxastik usullar sun'iy neyron tarmoqlarini o'rgatish uchun ham, allaqachon o'qitilgan tarmoqdan chiqish uchun ham foydalidir. Stoxastik o'qitish usullari katta foyda keltiradi, bu esa o'quv jarayonida mahalliy minimalarni yo'q qilishga imkon beradi. Ammo ular bilan bog'liq bir qator muammolar mavjud. Sun'iy neyron tarmoq uning vaznini o'zgartiradigan ba'zi bir jarayon orqali o'rganiladi. Agar trening muvaffaqiyatli bo'lsa, unda ko'plab kirish signallari tarmog'ini taqdim etish kerakli chiqish signallarining paydo bo'lishiga olib keladi. O'qitish usullarining ikkita klassi mavjud: deterministik va stoxastik. Deterministik o'qitish usuli bosqichma-bosqich tarmoq tarozilarini joriy qiymatlaridan, shuningdek kirish qiymatlari, haqiqiy chiqishlar va kerakli chiqishlardan foydalanishga asoslangan holda tuzatish tartibini amalga oshiradi. Perceptronni o'rgatish shunga o'xshash deterministik usulning namunasidir. Stoxastik o'qitish usullari yaxshilanishga olib keladigan o'zgarishlarni saqlab, tarozi kattaligidagi psevdo-tasodifiy o'zgarishlarni amalga oshiradi. Buni aniq ko'rsatish uchun guruchni ko'rib chiqing. 7.1, bu neyronlar tarozi bilan bog'langan odatiy tarmoqni ko'rsatadi. Neyronning chiqishi bu erda uning kirishlarining tortilgan yig'indisi bo'lib, u chiziqli bo'lmagan funktsiya yordamida aylantiriladi. Tarmoqni o'qitish uchun quyidagi protseduralardan foydalanish mumkin: Og'irlikni tasodifiy tanlang va uni kichik tasodifiy songa sozlang. 1. Ko'p kirishlarni taqdim eting va natijada olingan chiqishlarni hisoblang. Ushbu chiqishlarni kerakli chiqishlar bilan taqqoslang va ular 2. orasidagi farq miqdorini hisoblang. Umumiy qabul qilingan usul-o'qitiladigan juftlikning har bir elementi uchun haqiqiy va kerakli natijalar o'rtasidagi farqni topish, farqlarni kvadratga aylantirish va ushbu kvadratlarning yig'indisini topish. Treningning maqsadi ko'pincha maqsad funktsiyasi deb ataladigan ushbu farqni minimallashtirishdir. Og'irlikni tasodifiy tanlang va uni kichik tasodifiy qiymatga sozlang. 3. Agar tuzatish yordam bersa (maqsadli funktsiyani kamaytiradi), uni saqlang, aks holda vaznning asl qiymatiga qayting. Tarmoq etarli darajada o'qitilgunga qadar 1 dan 3 gacha bo'lgan 4. bosqichlarni takrorlang. Shakl: 7.1. Ushbu jarayon maqsadli funktsiyani minimallashtirishga intiladi, ammo tuzoqqa tushib qolgandek, muvaffaqiyatsiz qarorga tushishi mumkin. Shaklda. 7.2 bu yagona vaznli tizimda qanday sodir bo'lishi mumkinligini ko'rsatadi. Aytaylik, dastlab vazn nuqtadagi qiymatga teng ravishda olinadi . Agar vazn bo'yicha tasodifiy qadamlar kichik bo'lsa, unda nuqtadan har qanday og'ish maqsad funktsiyasini oshiradi va rad etiladi. Bir nuqtada olingan eng yaxshi vazn qiymati hech qachon topilmaydi va tizim bir nuqtada global minimal o'rniga mahalliy minimal tomonidan tuzoqqa tushadi . Agar tasodifiy vaznni tuzatish juda katta bo'lsa , unda nuqta ham, nuqta ham tez-tez uchrab turadi, ammo boshqa har bir nuqta uchun ham xuddi shunday bo'ladi. Og'irlik shunchalik keskin o'zgaradiki, u hech qachon kerakli minimal darajaga o'rnatilmaydi. Shakl: 7.2. Bunday muammolarni oldini olish uchun foydali strategiya katta boshlang'ich qadamlar va o'rtacha tasodifiy qadam hajmini asta-sekin kamaytirishdir. Bu tarmoqning mahalliy minimumlardan chiqib ketishiga imkon beradi va shu bilan birga tarmoqning yakuniy barqarorlashishini kafolatlaydi. Mahalliy minimal tuzoqlar barcha minimal qidiruv algoritmlarini (shu jumladan, perceptron va teskari tarqatish tarmoqlarini) bezovta qiladi va ba'zi sabablarga ko'ra ko'pincha e'tibordan chetda qoladigan jiddiy va keng tarqalgan qiyinchiliklarni keltirib chiqaradi. Stoxastik usullar ushbu muammoni hal qilishga imkon beradi. Og'irliklarni tuzatish strategiyasi, og'irliklarni bir nuqtada global maqbul qiymatni olishga majbur qilish juda mumkin. Tushuntirish o'xshashligi sifatida, aytaylik, sek. 7.2 quti ichidagi yuzada to'p tasvirlangan. Agar quti gorizontal yo'nalishda qattiq silkitilsa, to'p tezda bir chetidan ikkinchisiga aylanadi. Hech qaerda qolmasdan, har bir vaqtda to'p sirtning istalgan nuqtasida teng darajada bo'ladi. Agar siz tebranish kuchini asta-sekin kamaytirsangiz, unda to'p qisqa vaqt ichida bir nuqtada "tiqilib qoladigan" holatga erishiladi . Bundan ham kuchsizroq silkitganda, to'p bir nuqtada ham , nuqtada ham qisqa vaqt to'xtaydi . Tebranish kuchining doimiy pasayishi bilan to'pni nuqtadan nuqtaga o'tkazish uchun tebranish kuchi etarli bo'lgan, ammo to'pni "yuqoriga ko'tarish" uchun etarli bo'lmagan muhim nuqtaga erishiladi .ichida . Shunday qilib, to'p nihoyat global minimal nuqtada to'xtaydi, chunki tebranish amplitudasi nolga kamayadi. Sun'iy neyron tarmoqlarini tasodifiy tarozi tuzatish yordamida xuddi shu tarzda o'rganish mumkin. Birinchidan, katta tasodifiy tuzatishlar faqat maqsadli funktsiyani kamaytiradigan vazn o'zgarishlarini saqlab qolish bilan amalga oshiriladi. Keyin o'rtacha qadam hajmi asta-sekin kamayadi va oxir- oqibat global minimal darajaga erishiladi. Ushbu protsedura metallni tavlashga juda o'xshaydi, shuning uchun uni tasvirlash uchun ko'pincha "taqlid tavlash"atamasi ishlatiladi. Erish nuqtasidan yuqori haroratgacha qizdirilgan metallda atomlar kuchli tartibsiz harakatda bo'ladi. Barcha fizik tizimlarda bo'lgani kabi, atomlar ham minimal energiya holatiga (bu holda bitta kristall) intiladi, ammo yuqori haroratlarda atom harakatlarining energiyasi bunga to'sqinlik qiladi. Metallni asta-sekin sovutish jarayonida, oxir-oqibat, mumkin bo'lgan eng kichik holatga, global minimal darajaga erishilgunga qadar, tobora past energiya holatlari paydo bo'ladi. Tavlanish jarayonida energiya darajalarining taqsimlanishi quyidagi munosabat bilan tavsiflanadi: qaerda -tizimning energiya holatida bo'lish ehtimoli ; - Boltsman doimiysi; - Kelvin shkalasi bo'yicha harorat. Yuqori haroratlarda u barcha energiya holatlari uchun birlikka yaqinlashadi. Shunday qilib, yuqori energiya holati kam energiya holati kabi deyarli mumkin. Harorat pasayishi bilan yuqori energiyali holatlar ehtimoli past energiyali holatlarga nisbatan kamayadi. Harorat nolga yaqinlashganda, tizim yuqori energiya holatida bo'lishi ehtimoldan yiroq emas. Koshi Tayyorlash Shakl: 7.3. Ushbu usulda qadamning kattaligini hisoblashda Boltsman taqsimoti Koshi taqsimoti bilan almashtiriladi. Koshi taqsimoti rasmda ko'rsatilgandek. 7.3, uzunroq "dumlar", shu bilan katta qadamlar ehtimolini oshiradi. Aslida, Koshi taqsimoti cheksiz (noaniq) dispersiyaga ega. Bunday oddiy o'zgarish bilan haroratning pasayishining maksimal tezligi Boltsmanning o'rganish algoritmi uchun logarifmga emas, balki chiziqli qiymatga teskari proportsional bo'ladi. Bu o'quv vaqtini keskin qisqartiradi. Giyohvandlikni quyidagicha ifodalash mumkin: Koshi taqsimoti shaklga ega bu erda kattalik qadamining ehtimoli bor . Ushbu tenglamada standart usullar bilan birlashtirilishi mumkin. Muammoni hal qilish orqali biz olamiz qaerda -o'rganish tezligi koeffitsienti; - vaznning o'zgarishi. Endi Monte-Karlo usulini qo'llash juda oson. Bu holda x ni topish uchun tasodifiy raqam ochiq intervalda bir xil taqsimotdan tanlanadi (tangens funktsiyasini cheklash kerak). U (5.7) formulaga sifat sifatida almashtiriladi va qadam qiymati joriy harorat yordamida hisoblanadi. Koshi teskari tarqatish va o'qitish Orqaga tarqalish to'g'ridan-to'g'ri qidirishning afzalliklariga ega, ya'ni og'irliklar har doim xato funktsiyasini minimallashtiradigan yo'nalishda o'rnatiladi. O'quv vaqti uzoq bo'lsa-da, Global minimal talab qilinadigan Koshi mashinasi tomonidan tasodifiy qidiruvga qaraganda ancha kam, ammo ko'plab qadamlar noto'g'ri yo'nalishda amalga oshiriladi va ko'p vaqtni "yeydi". Ushbu ikki usulni birlashtirish yaxshi natijalar berdi. Orqaga tarqalish algoritmi tomonidan hisoblangan miqdorga teng bo'lgan o'lchovni tuzatish va Koshi algoritmi tomonidan berilgan tasodifiy qadam, har bir usul bo'yicha alohida o'qitilgan tizimga qaraganda global minimumni tezroq birlashtiradigan va topadigan tizimga olib keladi. Oddiy evristika teskari tarqalishda ham, Koshi usulida o'qitishda ham paydo bo'lishi mumkin bo'lgan tarmoq falajining oldini olish uchun ishlatiladi. Koshi o'rganish algoritmidagi qiyinchiliklar Koshi mashinasi va Boltsman mashinasi tomonidan berilgan o'rganish tezligi yaxshilanganiga qaramay, yaqinlashish vaqti hali ham orqaga tarqalish algoritmi vaqtidan 100 baravar ko'p bo'lishi mumkin. E'tibor bering, tarmoq falaji Koshi o'rganish algoritmi uchun, ayniqsa logistika funktsiyasi kabi chiziqli bo'lmagan tarmoq uchun juda xavflidir. Koshi taqsimotining cheksiz dispersiyasi tarozilarning cheksiz kattaliklarga o'zgarishiga olib keladi. Bundan tashqari, og'irlikdagi katta o'zgarishlar ba'zan noqulay bo'lgan holatlarda ham qabul qilinadi, ko'pincha tarmoq neyronlarining kuchli to'yinganligiga olib keladi va natijada falaj xavfi mavjud. o'qitish orqali Koshi orqaga tarqalishni shape bilan birlashtirish. Orqaga tarqalish va Koshi ta'limidan foydalangan holda kombinatsiyalangan algoritmdagi tarozilarni tuzatish ikkita komponentdan iborat: (1) teskari tarqalish algoritmi yordamida hisoblangan yo'naltirilgan komponent va (2) Koshi taqsimoti bilan aniqlangan tasodifiy komponent. Ushbu komponentlar har bir vazn uchun hisoblanadi va ularning yig'indisi vaznning o'zgarishi miqdoridir. Xuddi shundayKoshi algoritmi, vazn o'zgarishini hisoblagandan so'ng, maqsad funktsiyasi hisoblanadi. Agar yaxshilanish bo'lsa, o'zgarish albatta saqlanib qoladi. Aks holda, Boltsman taqsimoti bilan belgilanadigan ehtimollik bilan saqlanib qoladi. Og'irlikni tuzatish har bir algoritm uchun ilgari taqdim etilgan tenglamalar yordamida hisoblanadi: bu erda Koshi nisbiy qiymatlarini boshqaruvchi koeffitsient va og'irlik bosqichining tarkibiy qismlarida teskari tarqalish. Agar ? nolga teng, tizim butunlay Koshi mashinasiga aylanadi. Agar ? birlikka tenglashtirilgan tizim teskari tarqatish mashinasiga aylanadi. Og'irlik funktsiyasini hisoblash o'rtasida faqat bitta vazn koeffitsientini o'zgartirish samarasiz. Ma'lum bo'lishicha, butun qatlamning barcha og'irliklarini darhol o'zgartirish yaxshiroqdir, garchi ba'zi vazifalar uchun boshqa strategiya yanBirlashtirilgan o'qitish usuli bilan tarmoq falajini engish. Koshi mashinasida bo'lgani kabi, agar vazn o'zgarishi maqsad funktsiyasini yomonlashtirsa, Boltsman taqsimoti yordamida yangi vazn qiymatini saqlab qolish yoki oldingi qiymatni tiklash to'g'risida qaror qabul qilinadi. Shunday qilib, tarozi o'sishining yomonlashadigan to'plamini saqlab qolish ehtimoli cheklangan. Koshi taqsimoti cheksiz dispersiyaga ega bo'lgani uchun (tangens o'zgarishi diapazoni aniqlash sohasida), keyin tarozilarning katta o'sishi ehtimoli katta, bu ko'pincha tarmoq falajiga olib keladi. Og'irlik qadamlarining o'zgarishi doirasini cheklashdan iborat aniq echim shu tarzda olingan algoritmning matematik to'g'riligi to'g'risida savol tug'diradi. Bugungi kunda tizimning global minimal darajaga yaqinlashishi faqat dastlabki algoritm uchun isbotlangan. Qadam hajmini sun'iy ravishda cheklash bilan bunday dalil yo'q. Aslida, ba'zi funktsiyalarni amalga oshirish uchun katta og'irliklar va ikkita katta og'irliklar talab qilinadigan holatlar eksperimental ravishda aniqlandi. Yana bir yechim-to'yinganlik holatida bo'lgan neyronlarning tarozilarini randomizatsiya qilish. Uning kamchiligi shundaki, u o'quv jarayonini jiddiy ravishda buzishi mumkin, ba'zida uni cheksiz tortib oladi. Falaj muammosini hal qilish uchun erishilgan o'rganishni buzmaydigan usul topildi. To'yingan neyronlar ularning out signallarini o'lchash orqali aniqlanadi. Out qiymati ijobiy yoki salbiy chegara qiymatiga yaqinlashganda, bu neyronni oziqlantiruvchi og'irliklarga siqish funktsiyasi ta'sir qiladi. Bu out neyron signalini olish uchun ishlatiladigan signalga o'xshaydi, faqat uning o'zgarishi oralig'i interval yoki boshqa mos keladigan to'plamdir. Keyin o'zgartirilgan vazn qiymatlari Ushbu funktsiya juda katta og'irliklarning hajmini sezilarli darajada kamaytiradi, kichik vaznlarga ta'siri ancha zaiflashadi. Bundan tashqari, u katta tarozilar orasidagi kichik farqlarni saqlab, simmetriyani saqlaydi. Eksperimental ravishda ushbu funktsiya neyronlarni to'yinganlik holatidan tarmoqdagi o'rganishni buzmasdan chiqarib yuborishi ko'rsatilgan. Amaldagi funktsiyani optimallashtirish uchun katta kuch sarflanmadi va boshqa doimiy qiymatlar eng yaxshi bo'lishi mumkin. Qat’iymas mantiqqa asoslangan tizimlar. Sun'iy neyron tarmoq (yoki shunchaki NS.)- bu bir-biri bilan va tashqi muhit bilan ma'lum bir tarzda neyropaga o'xshash elementlar (neyronlar) to'plami. NS yordamida., mantiqiy asosda aniqlangan kirish va chiqish o'zgaruvchilarini bir-biriga bog'laydigan shaxsiy mantiqiy funktsiyalarni amalga oshirish mumkin (0, 1). Ushbu mantiqiy funktsiyalar monoton va monoton bo'lmagan, chiziqli bo'linadigan va ajralmas bo'lishi mumkin, ya'ni.juda murakkab shaklga ega. 1943 yilda Mccullock va Pitts NS nazariyasining rivojlanishida muhim bo'lgan teoremani tuzdilar. Uning ta'kidlashicha, cheklangan, so'zlar soni bilan mantiqiy tavsiflanishi mumkin bo'lgan asab tizimining har qanday funktsiyasi rasmiy neyron tarmoq tomonidan amalga oshirilishi mumkin. Rasmiy neyronlarda (Mccullock-Pitts hujayralari) mantiqiy funktsiyalarni amalga oshirishda ushbu teoremaning talqini juda katta uslubiy ahamiyatga ega. Yuhanno. Fon-Neymanning yozishicha, teorema"inson asab tizimining o'ta murakkabligi, uning faoliyati va funktsiyalarini har qanday tasavvur qilinadigan mexanizmlarda amalga oshirish mumkin emasligi haqidagi barcha suhbatlarga chek qo'yadi". Biroq, bu teorema "konstruktiv" teorema emas, balki mavjudlik teoremasidir. Unda asab tizimining u yoki bu funktsiyasini modellashtiradigan rasmiy neyron tarmog'ini qanday qurish haqida hech narsa aytilmagan; u faqat bunday rasmiy neyron tarmog'ini tubdan qurish mumkinligi haqidagi pozitsiyani tasdiqlaydi. Download 389.48 Kb. Do'stlaringiz bilan baham: |
1 2
Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©fayllar.org 2024
ma'muriyatiga murojaat qiling
ma'muriyatiga murojaat qiling