GUIDA AI FONDAMENTALI

Reti neurali

Una rete neurale è un modello di apprendimento automatico costituito da operazioni matematiche connesse con parametri regolabili.

Ascolta questa guidaNarrato dall'IA · ~3 min

In questa pagina3 minuti di lettura
  1. Panoramica
  2. Punti chiave
  3. Immersione profonda
  4. Calcola un neurone artificiale
  5. Implementazione nel mondo reale
  6. Metterlo in pratica
  7. Fonti e approfondimenti
  8. Continua a esplorare
  9. Domande frequenti

Panoramica

I livelli trasformano l'input in un output e la formazione regola tali parametri per migliorare le prestazioni su un obiettivo scelto.

Punti chiave

  1. Pesi e pregiudizi sono parametri appresi; le funzioni di attivazione trasformano i risultati intermedi.
  2. La backpropagation calcola i gradienti utilizzati da un ottimizzatore.
  3. Un'attivazione interna non è automaticamente una probabilità o una spiegazione.

Immersione profonda

Un neurone artificiale di base combina i valori di input utilizzando pesi, aggiunge un bias e applica una funzione di attivazione. I pesi controllano l'intensità del contributo di ciascun input. Il pregiudizio sposta il risultato. Un'attivazione non lineare consente ai livelli di rappresentare relazioni che una pila di operazioni puramente lineari non potrebbe. Ad esempio, l'attivazione ReLU restituisce zero per un input negativo e lascia invariato un input positivo. Le reti possono utilizzare attivazioni diverse in livelli diversi. Viene scelto un livello di output adatto al compito: una previsione numerica non viene interpretata allo stesso modo dei punteggi per possibili categorie. Durante l'allenamento, una funzione di perdita confronta l'output con il risultato desiderato. La backpropagation utilizza la regola della catena per calcolare il modo in cui i parametri influenzano la perdita. Un ottimizzatore utilizza quindi tali informazioni per aggiornare i parametri. La propagazione inversa calcola i gradienti; non è una garanzia che il modello trovi la migliore soluzione possibile o si generalizzi bene. L’analogia con il cervello è limitata. I neuroni artificiali sono astrazioni matematiche e una rete di successo non è la prova di una mente simile a quella umana. Una rete più ampia può modellare relazioni complicate, ma può anche costare di più da gestire, adattarsi a schemi irrilevanti o fallire quando le condizioni cambiano. Confrontalo con una linea di base più semplice ed esegui test su esempi esterni ai dati di addestramento.

04Esempio lavorato

Calcola un neurone artificiale

  1. Utilizzare due input, 0,8 e 0,5, con pesi 0,6 e -0,4 e un bias di 0,1.

  2. La somma ponderata è (0,8 × 0,6) + (0,5 × -0,4) + 0,1 = 0,38.

  3. ReLU restituisce 0,38. Se il secondo input cambia in 1,5, la somma diventa -0,02 e ReLU restituisce 0.

Cosa mostra

Questo calcolo illustrativo è una trasformazione all'interno di una rete. Il valore 0,38 è un'attivazione, non una richiesta di confidenza del 38%.

Implementazione nel mondo reale

Una rete di visione trasforma i valori dei pixel in caratteristiche utili per classificare un'immagine.

Un modello linguistico trasforma le rappresentazioni dei token in punteggi utilizzati per generare token successivi.

Una rete di previsione associa le osservazioni recenti a una stima numerica che deve essere valutata rispetto ai risultati futuri.

Metterlo in pratica

Perché è importante

  • Decisioni più chiare. Ti aiuta a separare le chiare affermazioni tecniche dal linguaggio di marketing.
  • Costo e budget. Puoi porre domande sull'implementazione migliore prima di spendere denaro o tempo.
  • Team e flusso di lavoro. I team con una comprensione condivisa prendono decisioni migliori su prodotti, politiche e apprendimento.

Attenzione

  • Team diversi possono utilizzare lo stesso termine in modo diverso, quindi definisci l'ambito in anticipo.
  • I benchmark possono sembrare solidi mentre le prestazioni nel mondo reale non sono uniformi.
  • Ignorare la qualità dei dati e i piani di valutazione spesso crea risultati fragili.

Prossimi passi

  1. Inizia con una definizione in linguaggio semplice del risultato di cui hai bisogno.
  2. Scegli una metrica di successo e una condizione di fallimento prima del test.
  3. Esegui un piccolo progetto pilota con dati rappresentativi, non un set demo raffinato.
  4. Documenta dove le reti neurali aiutano e dove i metodi più semplici sono migliori.

Fonti e approfondimenti

  1. GoogleFunzioni di attivazione
  2. GoogleAllenamento mediante backpropagation

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Take the Neural Networks quiz

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

Perché le reti neurali necessitano di funzioni di attivazione?

Le funzioni di attivazione non lineare consentono ai livelli impilati di rappresentare relazioni non lineari. L'impilamento di sole operazioni lineari produrrebbe comunque una trasformazione lineare.

Una rete neurale più grande è sempre migliore?

No. Le prestazioni dipendono dall'attività, dai dati, dalla formazione, dalla valutazione e dai vincoli di distribuzione. Un numero maggiore di parametri può aumentare i costi e non garantire risultati più affidabili.