Нейронная сеть представляет собой последовательность связанных нейронов.
Нейроны — единицы, получающие и передающие информацию. Сами по себе они не играют важной роли: нейроны имеют значение только в выстроенной из них цепи.
К нейрону поступают входящие сигналы, каждому из которых присвоен определенный вес. Сигнал умножается на свой вес, значения суммируются, и получается единое число, которое получает активационная функция. На выходе она принимает решение, транслировать ли сигнал дальше.
Простая нейронная сеть может состоять из трех уровней и передавать данные только вперед. Она включает в себя входящие нейроны, скрытый (промежуточный) слой нейронов, недоступный внешнему обозревателю, и нейрон на выходе.
А теперь разбираем на примере
Предположим, нейросети необходимо решить, стоит ли идти на вечеринку. На выходе она даст одно бинарное решение, то есть выберет «да» (1) или «нет» (0).
При этом нейросеть будет учитывать три разных условия: наличие на вечеринке алкоголя, присутствие там друга и дождь на улице. Если условие выполняется, нейрон посылает сигнал 1, если не выполняется, — 0. Например, если на вечеринке будет алкоголь, сигналом будет 1, если не будет, — 0.
Каждый отправленный сигнал будет умножен на определенный для него вес, а после результаты будут суммированы. Далее необходимо задать условие, при котором будет дан положительный ответ.
Допустим, если сумма больше или равна 0,5, то выходной нейрон выдаст сигнал 1 — ответ «да». Если сумма меньше 0,5, то сигнал — 0, то есть принято решение не идти на вечеринку.
Теперь предположим, что на улице идет дождь, но на вечеринке будет алкоголь и друзья. В таком случае задаем условию с дождем вес –0,5, а остальным условиям 0,5. Тогда при подсчете получается результат 0,5. В таком случае нейрон выдаст сигнал 1 — идти на вечеринку.
Добавляя скрытые слои, можно делать усложнения и обобщать: это то, что свойственно человеческому мозгу и считалось несвойственным обычному алгоритму.
Обобщение для нейросети — это способность учитывать сочетание условий, так как некоторые пары условий приводят к новому качественному показателю. Это происходит, когда в разных комбинациях условия имеют различный вес. Чтобы принимать решения в таких ситуациях, и используют скрытый слой нейронов.
Представим, что если на вечеринке будет алкоголь, а на улице будет идти дождь, то на вечеринку идти не нужно, даже если на ней будет друг.
Задаем условиям с алкоголем и дождем вес 0,25 и обобщаем их в первом нейроне скрытого слоя. Условие с другом при этом игнорируем. Тогда в сумме два веса дадут результат 0,5.
Второй нейрон в скрытом слое работает по тому же принципу. Условие с другом обладает наибольшим весом в 0,9. Сигнал с наличием алкоголя имеет вес 0,5, а условие с дождем весит –0,4.
В этом случае оба нейрона скрытого слоя работают: происходит передача сигналов на выходной нейрон. Обобщающий условия с алкоголем и дождем нейрон посылает вес –1. Второй нейрон пошлет вес 1. Их сумма равна 0: в результате принимается решение не идти на вечеринку.
Самая сложная задача в работе с нейросетью — грамотно подобрать коэффициенты к нейронам. Для этого используется обучение — процесс нахождения корректных весов для нейросети. От того, как именно обучат нейросеть, будут зависеть ее решения.
Источник: https://robo-hunter.com/news/kak-rabotayt-neironnie-seti-o-slojnoi-sisteme-prostimi-slovami14200 © robo-hunter.com