Basisprincipes GIDS

Neurale netwerken

Een neuraal netwerk is een machinaal leermodel dat bestaat uit verbonden wiskundige bewerkingen met aanpasbare parameters.

Luister naar deze gidsAI-verteld · ~3 min

Op deze pagina3 minuten lezen
  1. Overzicht
  2. Belangrijkste inzichten
  3. Diepe duik
  4. Bereken één kunstneuron
  5. Implementatie in de echte wereld
  6. Het in de praktijk brengen
  7. Bronnen en verdere literatuur
  8. Blijf verkennen
  9. Veelgestelde vragen

Overzicht

Lagen transformeren de invoer in uitvoer, en training past deze parameters aan om de prestaties op een gekozen doel te verbeteren.

Belangrijkste inzichten

  1. Gewichten en vooroordelen zijn aangeleerde parameters; activeringsfuncties transformeren tussenresultaten.
  2. Backpropagation berekent gradiënten die door een optimizer worden gebruikt.
  3. Een interne activatie is niet automatisch een waarschijnlijkheid of een verklaring.

Diepe duik

Een eenvoudig kunstneuron combineert invoerwaarden met behulp van gewichten, voegt een bias toe en past een activeringsfunctie toe. De gewichten bepalen hoe sterk elke input bijdraagt. De bias verschuift het resultaat. Met een niet-lineaire activering kunnen lagen relaties vertegenwoordigen die een stapel puur lineaire bewerkingen niet zou kunnen. De ReLU-activering retourneert bijvoorbeeld nul voor een negatieve invoer en laat een positieve invoer ongewijzigd. Netwerken kunnen verschillende activaties in verschillende lagen gebruiken. Er wordt een uitvoerlaag gekozen die bij de taak past: een numerieke voorspelling wordt niet op dezelfde manier geïnterpreteerd als scores voor mogelijke categorieën. Tijdens de training vergelijkt een verliesfunctie de output met het gewenste resultaat. Backpropagation gebruikt de kettingregel om te berekenen hoe parameters het verlies beïnvloeden. Een optimalisatieprogramma gebruikt die informatie vervolgens om parameters bij te werken. Backpropagation berekent gradiënten; het is geen garantie dat het model de best mogelijke oplossing zal vinden of goed zal generaliseren. De hersenanalogie is beperkt. Kunstmatige neuronen zijn wiskundige abstracties, en een succesvol netwerk is geen bewijs van een mensachtige geest. Een groter netwerk kan gecompliceerde relaties modelleren, maar het kan ook meer kosten om te functioneren, in irrelevante patronen te passen of te falen als de omstandigheden veranderen. Vergelijk het met een eenvoudiger basislijn en test op voorbeelden buiten de trainingsgegevens.

04Uitgewerkt voorbeeld

Bereken één kunstneuron

  1. Gebruik twee ingangen, 0,8 en 0,5, met gewichten 0,6 en -0,4 en een bias van 0,1.

  2. De gewogen som is (0,8 × 0,6) + (0,5 × -0,4) + 0,1 = 0,38.

  3. ReLU retourneert 0,38. Als de tweede invoer verandert in 1,5, wordt de som -0,02 en retourneert ReLU 0.

Wat het laat zien

Deze illustratieve berekening is één transformatie binnen een netwerk. De waarde 0,38 is een activering en geen claim van 38% vertrouwen.

Implementatie in de echte wereld

Een visienetwerk transformeert pixelwaarden in functies die nuttig zijn voor het classificeren van een afbeelding.

Een taalmodel transformeert tokenrepresentaties in scores die worden gebruikt om volgende tokens te genereren.

Een voorspellingsnetwerk brengt recente waarnemingen in kaart tot een numerieke schatting die moet worden geëvalueerd aan de hand van toekomstige resultaten.

Het in de praktijk brengen

Waarom het ertoe doet

  • Duidelijkere beslissingen. Het helpt u duidelijke technische claims te scheiden van marketingtaal.
  • Kosten en budget. U kunt betere implementatievragen stellen voordat u geld of tijd uitgeeft.
  • Team en workflow. Teams met gedeeld begrip nemen betere product-, beleids- en leerbeslissingen.

Pas op voor

  • Verschillende teams kunnen dezelfde term verschillend gebruiken, dus definieer de reikwijdte vroeg.
  • Benchmarks kunnen er sterk uitzien, terwijl de prestaties in de echte wereld ongelijkmatig zijn.
  • Het negeren van datakwaliteit en evaluatieplannen zorgt vaak voor fragiele resultaten.

Volgende stappen

  1. Begin met een definitie in duidelijke taal van het gewenste resultaat.
  2. Kies één successtatistiek en één faalconditie voordat u gaat testen.
  3. Voer een kleine pilot uit met representatieve gegevens, niet met een gepolijste demoset.
  4. Documenteer waar neurale netwerken helpen en waar eenvoudigere methoden beter zijn.

Bronnen en verdere literatuur

  1. GoogleActiveringsfuncties
  2. GoogleTrainen met behulp van backpropagatie

Blijf verkennen

Gratis nieuwsbrief

Ontvang de dagelijkse AI-briefing

Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.

Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.

Test jezelf

Take the Neural Networks quiz

Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.

Quiz starten

Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie

Veelgestelde vragen

Waarom hebben neurale netwerken activeringsfuncties nodig?

Met niet-lineaire activeringsfuncties kunnen gestapelde lagen niet-lineaire relaties vertegenwoordigen. Alleen het stapelen van lineaire bewerkingen zou nog steeds een lineaire transformatie opleveren.

Is een groter neuraal netwerk altijd beter?

Nee. De prestaties zijn afhankelijk van de taak-, gegevens-, training-, evaluatie- en implementatiebeperkingen. Meer parameters kunnen de kosten verhogen en garanderen geen betrouwbaardere resultaten.