โครงข่ายประสาทเทียม

เลเยอร์จะเปลี่ยนอินพุตให้เป็นเอาต์พุต และการฝึกอบรมจะปรับพารามิเตอร์เหล่านั้นเพื่อปรับปรุงประสิทธิภาพตามวัตถุประสงค์ที่เลือก

ประเด็นสำคัญ

• น้ำหนักและอคติเป็นพารามิเตอร์ที่เรียนรู้ ฟังก์ชั่นการเปิดใช้งานจะเปลี่ยนผลลัพธ์ระดับกลาง
• Backpropagation คำนวณการไล่ระดับสีที่ใช้โดยเครื่องมือเพิ่มประสิทธิภาพ
• การเปิดใช้งานภายในไม่ใช่ความน่าจะเป็นหรือคำอธิบายโดยอัตโนมัติ

เซลล์ประสาทเทียมพื้นฐานจะรวมค่าอินพุตโดยใช้น้ำหนัก เพิ่มอคติ และใช้ฟังก์ชันการเปิดใช้งาน น้ำหนักจะควบคุมว่าแต่ละอินพุตมีส่วนสนับสนุนมากเพียงใด อคติเปลี่ยนผลลัพธ์ การเปิดใช้งานแบบไม่เชิงเส้นช่วยให้เลเยอร์แสดงความสัมพันธ์ที่การดำเนินการเชิงเส้นแบบสแต็กไม่สามารถทำได้ ตัวอย่างเช่น การเปิดใช้งาน ReLU จะคืนค่าศูนย์สำหรับอินพุตที่เป็นลบ และปล่อยให้อินพุตที่เป็นค่าบวกไม่เปลี่ยนแปลง เครือข่ายสามารถใช้การเปิดใช้งานที่แตกต่างกันในเลเยอร์ที่ต่างกัน เลเยอร์เอาท์พุตถูกเลือกให้เหมาะสมกับงาน: การทำนายตัวเลขจะไม่ถูกตีความในลักษณะเดียวกับคะแนนสำหรับหมวดหมู่ที่เป็นไปได้ ในระหว่างการฝึก ฟังก์ชันการสูญเสียจะเปรียบเทียบผลลัพธ์กับผลลัพธ์ที่ต้องการ Backpropagation ใช้กฎลูกโซ่เพื่อคำนวณว่าพารามิเตอร์ส่งผลต่อการสูญเสียอย่างไร เครื่องมือเพิ่มประสิทธิภาพจะใช้ข้อมูลนั้นเพื่ออัปเดตพารามิเตอร์ Backpropagation คำนวณการไล่ระดับสี ไม่ใช่การรับประกันว่าโมเดลจะพบวิธีแก้ปัญหาที่ดีที่สุดเท่าที่จะเป็นไปได้หรือสรุปได้ดี การเปรียบเทียบสมองมีจำกัด เซลล์ประสาทเทียมเป็นนามธรรมทางคณิตศาสตร์ และเครือข่ายที่ประสบความสำเร็จไม่ใช่หลักฐานว่ามีจิตใจเหมือนมนุษย์ เครือข่ายขนาดใหญ่สามารถสร้างแบบจำลองความสัมพันธ์ที่ซับซ้อนได้ แต่อาจมีค่าใช้จ่ายเพิ่มขึ้นในการรัน ปรับให้เข้ากับรูปแบบที่ไม่เกี่ยวข้อง หรือล้มเหลวเมื่อเงื่อนไขเปลี่ยนแปลง เปรียบเทียบกับข้อมูลพื้นฐานที่ง่ายกว่าและทดสอบตัวอย่างที่อยู่นอกข้อมูลการฝึกอบรม

1. ใช้สองอินพุต 0.8 และ 0.5 โดยมีน้ำหนัก 0.6 และ -0.4 และมีไบแอส 0.1
2. ผลรวมถ่วงน้ำหนักคือ (0.8 × 0.6) + (0.5 × -0.4) + 0.1 = 0.38
3. ReLU ส่งกลับ 0.38 หากอินพุตที่สองเปลี่ยนเป็น 1.5 ผลรวมจะกลายเป็น -0.02 และ ReLU จะส่งกลับ 0

การคำนวณเชิงอธิบายนี้เป็นการเปลี่ยนแปลงครั้งหนึ่งภายในเครือข่าย ค่า 0.38 เป็นการเปิดใช้งาน ไม่ใช่การอ้างความเชื่อมั่น 38%