Neural network là gì

     

Lý vì bản thân viết về Neural Networks là vào quy trình thao tác làm việc, mình đề nghị có tác dụng với một vài bài toán bao gồm sử dụng machine leaning và tất yếu tiếng vẫn là thời đại của BigData với Deep learning đề xuất mình cũng tương đối hiếu kỳ về phần nhiều quan niệm này. Sau một thời gian tò mò thì mình thấy mê say làm cho về ML, vừa phát âm vừa thí nghiệm, bắt buộc cách cực tốt là note lại với nỗ lực phân tích và lý giải theo cách đọc của chính mình.

Bạn đang xem: Neural network là gì

Trong machine learning thì Neural Networks là một trong những phần cũng tương đối đặc biệt, bọn họ thử tìm hiểu về NN mà không nên quá nhiều kiến thức và kỹ năng toán học xem sao.

Feedforware Neural Network là gì?

Post này họ đang nghiên cứu và phân tích về Feedforward Neural Networks tuyệt tên thường gọi khác là Multi-layer Perceptrons.Kiến trúc mạng Neural siêu đặc biệt cùng được thực hiện trong những mạng CNN or RNN. Để hiểu về mạng Neural Networks hoạtđụng thế nào, các bạn đề xuất lắp thêm kỹ năng và kiến thức toán thù và thông kê. Tuy nhiên bài xích này bản thân đã phân tích và lý giải một bí quyết dễ nắm bắt, mà ko dùngquá nhiều kiến thức toán thù, giỏi những thống kê.

Cách tốt nhất là bước đầu với cùng 1 ví dụ. Ta sẽ giải quyết và xử lý bài xích tân oán “Binary Classification”. Trong machine learning thì“Classification” được xếp vào nhóm Supervised Learning, trong đó dữ liệu được phân loại vào những team khẳng định trước bởiDecision Function với hàm này được học tập qua dataphối được gán nhãn trước. Nếu họ chỉ gồm 2 group bắt buộc phân các loại, thì bài xích toán thù chính là “Binary Classification”.

*

1. Understanding the Neural Network

Hình vẽ bên trên là 1 ví dụ về Feedforward Neural network. Dữ liệu được truyền thẳng từ Input vào trong mạng. Trong mạng này thì không có feedback connections cũng giống như loop trong mạng.

Một mạng thì có gồm Input layer, Output layer cùng Hidden layer. Thông thường một mạng Neural network sẽ có thể có không ít Hidden layer. Mỗi một node vào một layer call là Neuron.

1.1 What is a Neuron

*

Hình vẽ trên là ví dụ về Neuron bao gồm những nguồn vào input với những trọng số Wi khác biệt.Tính tổng các đầu vào tiếp đến applies một active function nhằm normalize tác dụng. Activation function có thể là linear hoặc nonlinear.

1.2 Activation function

Trong neural net bọn họ tốt chạm chán các active sầu function sau:

*

1.3 Input Layer

Input layer là layer đầu tiên của mạng neural, dùng để đầu vào data hoặc feature

### 1.4 Output đầu ra LayerĐây là layer giới thiệu kết quả dự đoán. Với phần lớn bài bác toán không giống nhau thì active sầu function ngơi nghỉ layer cũng biến thành không giống nhau.lấy một ví dụ cùng với bài xích toán binary classification họ có output là 0 hoặc 1, cho nên active sầu function là sigmoid function.Với bài toán dạng multiclass classification, active sầu function được áp dụng là Softmax. Trong trường hợp là regression, outputchưa phải phân loại vào category, ta có thể thực hiện linear unit.

Xem thêm: Intellectual Property Rights Là Gì, Định Nghĩa, Ví Dụ, Giải Thích

1.5 Hidden Layer

Một feedforward network bao gồm 1 chuỗi các function. Bởi có rất nhiều hidden layers, bạn cũng có thể bộc lộ giỏi tính toánrất nhiều hàm số phức hợp bằng phương pháp phối kết hợp những layer với các hàm số dễ dàng và đơn giản. lấy một ví dụ bọn họ muốn mô phỏng hàm số nón 7,ta hoàn toàn có thể thực hiện đầy đủ hàm dễ dàng nhỏng square hoặc cube nhằm tạo thành hàm số này. Trong hidden layer, active function được thực hiện phổ biến là hàm ReLU (Rectified Linear Unit).

Việc lựa chọn hidden layer không có phép tắc hay 1 câu trả lời đúng chuẩn. Về cơ phiên bản thì deeper networks có thể học tập giỏi mô bỏng mọi function phức tạp hơn.

1.6 How does the network learn?

Dữ liệu tự training sample được đưa vào mạng network, tiếp đến công dụng output được so sánh cùng với actual output. Sự sai không giống này được sử dụng nhằm đổi khác weights của những neutron. Việc tính toán thù, chuyển đổi trọng số thông qua thuật tân oán “Backpropagation”.

Backpropagation hay được áp dụng trong các thuật toán gradient nhằm hiệu chỉnh các weight của neutron trong multi-layer neutral networks.

2. Why use Hidden Layer?

Để trả lời câu hỏi tại sao bọn họ đề xuất hidden layer, ta có thể áp dụng một luật pháp khôn xiết trực quan tiền trên website sitehttp://playground.tensorflow.org nhằm mô bỏng mạng neural và xem tại sao lại cần sử dụng hidden layer.

Giả sử chúng ta có tập tài liệu cùng với phân bố như sau:

*

Với dữ liệu điều này thì chúng ta đề xuất một decision bound phải gồm dạng circle, vào ngôi trường hợp này linear decision bound quan trọng phân lớp được dữ liệu.

Chúng ta hãy lưu ý những ví dụ dưới đây. Trong vừa lòng không tồn tại hidden layer, thì con đường phân lớp là linear. Ta hoàn toàn có thể thấy rằng, dữ liệu bị phân lớp không đúng tương đối nhiều.

*

Lúc họ tăng hidden layer và hiệu quả như sau:Với 1 hidden layer, có vẻ như như bound decision có vẻ như giỏi rộng. Với nhũng dữ liệu tinh vi thì Việc họ bắt buộc tăng lên hidden layer hoặc tăng thêm neural phần lớn dựa vào thực nghiệm, đã không có phương pháp bao quát nào để về tối ưu bài toán này.

*

Chúng ta sẽ test tiếp cùng với 2 hidden layer, cùng tác dụng có vẻ siêu khả thi nhỏng bên dưới đây:

*

vì vậy ta hoàn toàn có thể thấy rằng, với tương đối nhiều hidden layer ta hoàn toàn có thể xấp xỉ được phần đa hàm số tinh vi, tuyệt có thể nói rằng ta bao gồm model để màn biểu diễn quy mô phức tạp.

Bài này mình tất cả tìm hiểu thêm từ website sau:https://www.learnopencv.com/understanding-feedforward-neural-networks/


Chuyên mục: Đầu tư tài chính