Künstliches neuronales Netz

Es gibt zwei Möglichkeiten, sich ein neuronales Netzwerk vorzustellen. Die erste ist wie ein menschliches Gehirn. Die zweite ist wie eine mathematische Gleichung.

Ein Netzwerk beginnt mit einem Input, so etwas wie ein Sinnesorgan. Die Information fließt dann durch Schichten von Neuronen, wobei jedes Neuron mit vielen anderen Neuronen verbunden ist. Wenn ein bestimmtes Neuron genügend Reize erhält, sendet es eine Nachricht an jedes andere Neuron, mit dem es über sein Axon verbunden ist. In ähnlicher Weise hat ein künstliches neuronales Netzwerk eine Eingabeschicht von Daten, eine oder mehrere verborgene Schichten von Klassifizierern und eine Ausgabeschicht. Jeder Knoten in jeder verborgenen Schicht ist mit einem Knoten in der nächsten Schicht verbunden. Wenn ein Knoten Informationen empfängt, sendet er eine gewisse Menge davon an die Knoten, mit denen er verbunden ist. Die Menge wird durch eine mathematische Funktion bestimmt, die als Aktivierungsfunktion bezeichnet wird, z. B. sigmoid oder tanh.

Wenn man sich ein neuronales Netz wie eine mathematische Gleichung vorstellt, ist ein neuronales Netz einfach eine Liste von mathematischen Operationen, die auf eine Eingabe anzuwenden sind. Der Eingang und der Ausgang jeder Operation ist ein Tensor (oder genauer gesagt ein Vektor oder eine Matrix). Jedes Schichtenpaar ist durch eine Liste von Gewichten verbunden. In jeder Schicht sind mehrere Tensoren gespeichert. Ein einzelner Tensor in einer Schicht wird als Knoten bezeichnet. Jeder Knoten ist durch eine Gewichtung mit einigen oder allen Knoten in der nächsten Schicht verbunden. Jeder Knoten hat auch eine Liste von Werten, die als Bias bezeichnet werden. Der Wert jeder Schicht ergibt sich dann aus der Aktivierungsfunktion der Werte der aktuellen Schicht (X genannt) multipliziert mit den Gewichten.

A k t i v a t i o n ( W ( e i g h t s ) ∗ X + b ( i a s ) ) {\Anzeige-Stil Aktivierung(W(eights)*X+b(ias))}

Für das Netzwerk wird eine Kostenfunktion definiert. Die Verlustfunktion versucht abzuschätzen, wie gut das neuronale Netz die ihm zugewiesene Aufgabe erfüllt. Schließlich wird eine Optimierungstechnik angewendet, um die Ausgabe der Kostenfunktion durch Ãnderung der Gewichte und Vorspannungen des Netzes zu minimieren. Dieser Prozess wird als Training bezeichnet. Das Training wird in einem kleinen Schritt nach dem anderen durchgeführt. Nach Tausenden von Schritten ist das Netz in der Regel in der Lage, die ihm zugewiesene Aufgabe ziemlich gut zu erfüllen.

Erwägen Sie ein Programm, das prüft, ob eine Person am Leben ist. Wenn eine Person entweder einen Puls hat oder atmet, gibt das Programm "lebendig" aus, andernfalls "tot". In einem Programm, das mit der Zeit nicht lernt, würde dies als "tot" geschrieben werden:

Ein sehr einfaches neuronales Netz aus nur einem Neuron, das dasselbe Problem löst, wird so aussehen:

Die Werte von Puls, Atmung und Lebend sind entweder 0 oder 1, was falsch und wahr darstellt. Wenn diesem Neuron also die Werte (0,1), (1,0) oder (1,1) gegeben werden, sollte es 1 ausgeben, und wenn es (0,0) gegeben wird, sollte es 0 ausgeben. Das Neuron tut dies, indem es eine einfache mathematische Operation auf die Eingabe anwendet - es addiert alle Werte, die ihm gegeben wurden, zusammen und fügt dann seinen eigenen verborgenen Wert hinzu, der als "Verzerrung" bezeichnet wird. Zunächst ist dieser verborgene Wert zufällig, und wir passen ihn im Laufe der Zeit an, wenn das Neuron uns nicht die gewünschte Ausgabe liefert.

Wenn wir Werte wie (1,1) zusammenzählen, könnten wir am Ende Zahlen größer als 1 erhalten, aber wir wollen, dass unser Ergebnis zwischen 0 und 1 liegt! Um dies zu lösen, können wir eine Funktion anwenden, die unsere tatsächliche Ausgabe auf 0 oder 1 begrenzt, selbst wenn das Ergebnis der Neuronenmathematik nicht innerhalb des Bereichs lag. In komplizierteren neuronalen Netzen wenden wir eine Funktion (z.B. sigmoid) auf das Neuron an, so dass sein Wert zwischen 0 und 1 liegt (z.B. 0,66), und dann geben wir diesen Wert an das nächste Neuron weiter, bis wir unsere Ausgabe benötigen.

Es gibt drei Möglichkeiten, wie ein neuronales Netzwerk lernen kann: überwachtes Lernen, unbeaufsichtigtes Lernen und Verstärkungslernen. Alle diese Methoden funktionieren entweder durch Minimierung oder Maximierung einer Kostenfunktion, aber jede dieser Methoden ist bei bestimmten Aufgaben besser.

Kürzlich nutzte ein Forschungsteam der University of Hertfordshire, Großbritannien, das Reinforcement Learning, um einen humanoiden iCub-Roboter dazu zu bringen, einfache Wörter durch Gebrabbel zu lernen.