neural network 예제

위의 예제에서 네트워크는 각 뉴런의 위치와 하드 코딩된 값으로 의 연결을 설정하여 수동으로 구성되었습니다. 알고리즘을 통해 네트워크 레이아웃을 생성하려면 이 예제를 다시 작성합니다. 순환 네트워크 다이어그램을 만들 수 있습니까? 임의의 하나? 다계층 네트워크의 예는 다음과 같습니다. 이러한 네트워크를 교육하는 것은 훨씬 더 복잡합니다. 간단한 지각론을 사용하면 오류에 따라 가중치를 변경하는 방법을 쉽게 평가할 수 있습니다. 그러나 여기에는 네트워크의 다른 계층에 있는 많은 다른 연결이 있습니다. 각 뉴런 이나 연결이 네트워크의 전반적인 오류에 얼마나 기여했는지 어떻게 알 수 있습니까? 이러한 질문을 좀 더 뚜렷하게 말하자면, 수십 년 동안 신경망이 인공 지능(AI)으로 이어진다고 가정해 봅시다. 이러한 지능형 네트워크가 어떻게 작동하는지 이해할 수 있습니까? 아마도 네트워크는 우리가 이해하지 못하는 가중치와 편견으로 우리에게 불투명할 것입니다. AI 연구 초기에 사람들은 AI를 구축하려는 노력이 지능의 원리와 인간의 뇌의 기능을 이해하는 데 도움이 되기를 바랐습니다.

그러나 아마도 결과는 우리가 뇌도 인공 지능이 작동하는 방법을 이해하지 결국 될 것입니다! 첫 번째 단계는 이 입력을 수신하기 위해 네트워크에 함수를 추가하는 것이며, 이 입력은 0에서 1 사이의 난수를 만듭니다. 우선, 입력이 신경망에 제공될 때 출력을 반환한다는 것을 기억하십시오. 첫 번째 시도에서는 자체적으로 올바른 출력을 얻을 수 없으며 (행운을 제외하고) 학습 단계에서 모든 입력에는 신경망이 추측해야 하는 출력을 설명하는 레이블이 있습니다. 선택이 좋은 경우 실제 매개 변수가 유지되고 다음 입력이 제공됩니다. 그러나 가져온 출력이 레이블과 일치하지 않으면 가중치가 변경됩니다. 학습 단계에서 변경할 수 있는 유일한 변수입니다. 이 프로세스는 입력이 올바르게 추측되지 않을 때마다 다른 가능성으로 바뀌는 여러 개의 단추로 상상할 수 있습니다. 신경망의 핵심 요소 중 하나는 학습 능력입니다. 신경망은 단순한 시스템이 아니라 복잡한 적응 형 시스템으로, 이를 통해 흐르는 정보에 따라 내부 구조를 변경할 수 있습니다. 일반적으로, 이것은 가중치의 조정을 통해 달성된다. 위의 다이어그램에서 각 줄은 두 뉴런 간의 연결을 나타내며 정보 흐름에 대한 경로를 나타냅니다.

각 연결에는 두 뉴런 사이의 신호를 제어하는 숫자인 가중치가 있습니다. 네트워크가 “양호한” 출력을 생성하는 경우(나중에 정의할 것입니다) 가중치를 조정할 필요가 없습니다. 그러나 네트워크에서 “불량” 출력(오류)을 생성하는 경우 말하자면 시스템이 적응하여 후속 결과를 개선하기 위해 가중치를 변경합니다.