مقدمة للشبكة العصبية Feedforward: الطبقات والوظائف والأهمية

تقنية التعلم العميق هي العمود الفقري لمحركات البحث والترجمة الآلية وتطبيقات الأجهزة المحمولة. إنه يعمل عن طريق تقليد الدماغ البشري لإيجاد وإنشاء أنماط من أنواع مختلفة من البيانات.

جزء مهم من هذه التقنية المذهلة هو الشبكة العصبية المغذية ، والتي تساعد مهندسي البرمجيات في التعرف على الأنماط والتصنيف ، والانحدار غير الخطي ، وتقريب الوظائف.

دعنا نحصل على بعض الأفكار حول هذا الجانب الأساسي من بنية الشبكة العصبية الأساسية.

ما هي شبكة Feedforward العصبية؟

تُعرف باسم شبكة متعددة الطبقات من الخلايا العصبية ، وتسمى الشبكات العصبية المغذية بذلك بسبب حقيقة أن جميع المعلومات تنتقل فقط في الاتجاه الأمامي.

تدخل المعلومات أولاً في عقد الإدخال ، وتتحرك عبر الطبقات المخفية ، ثم تخرج أخيرًا من خلال عقد الإخراج. لا تحتوي الشبكة على اتصالات لتغذية المعلومات الواردة في عقدة الإخراج مرة أخرى إلى الشبكة.

تهدف الشبكات العصبية المغذية إلى تقريب الوظائف.

وإليك كيف يعمل .

يوجد مصنف y = f * (x).

هذا يغذي المدخلات x في الفئة y.

ستقوم شبكة التغذية الأمامية بتعيين y = f (x ؛ θ). ثم يحفظ قيمة θ التي تقترب من أفضل وظيفة.

شبكة عصبية Feedforward لقاعدة التعرف على الكائنات في الصور ، كما يمكنك تحديدها في تطبيق صور Google.

طبقات الشبكة العصبية المغذية

تتكون الشبكة العصبية المغذية مما يلي.

طبقة الإدخال

يحتوي على الخلايا العصبية المتلقية للمدخلات. ثم يقومون بتمرير المدخلات إلى الطبقة التالية. إجمالي عدد الخلايا العصبية في طبقة الإدخال يساوي السمات الموجودة في مجموعة البيانات.

الطبقة المخفية

هذه هي الطبقة الوسطى ، مخفية بين طبقات الإدخال والإخراج. يوجد عدد هائل من الخلايا العصبية في هذه الطبقة التي تطبق التحولات على المدخلات. ثم يقومون بتمريرها إلى الطبقة الناتجة.

طبقة الإخراج

إنها الطبقة الأخيرة وتعتمد على بناء النموذج. أيضًا ، طبقة الإخراج هي الميزة المتوقعة لأنك تعرف ما تريد أن تكون النتيجة.

أوزان الخلايا العصبية

تسمى قوة الاتصال بين الخلايا العصبية بالأوزان. تتراوح قيمة الوزن من 0 إلى 1.

معرفة المزيد: نموذج الشبكة العصبية: مقدمة موجزة ، مسرد

دالة التكلفة في الشبكة العصبية Feedforward

يعد اختيار وظيفة التكلفة أحد أهم أجزاء الشبكة العصبية المغذية. عادة ، لا تؤثر التغييرات الصغيرة في الأوزان والتحيزات على نقاط البيانات المصنفة. لذلك ، لاكتشاف طريقة لتحسين الأداء باستخدام دالة التكلفة السلسة لإجراء تغييرات صغيرة على الأوزان والتحيزات.

صيغة دالة تكلفة الخطأ التربيعي هي:

مصدر

أين،

w = جمع الأوزان في الشبكة

ب = التحيزات

ن = عدد مدخلات التدريب

أ = ناقلات الإخراج

س = الإدخال

‖v‖ = الطول المعتاد للمتجه v

وظيفة الخسارة في الشبكة العصبية Feedforward

تهدف وظيفة الخسارة في الشبكة العصبية إلى تحديد ما إذا كان هناك أي تصحيح تحتاجه عملية التعلم.

ستكون الخلايا العصبية لطبقة الإخراج مساوية لعدد الفئات. لمقارنة الفرق بين التوزيع الاحتمالي المتوقع والحقيقي.

الخسارة عبر الانتروبيا للتصنيف الثنائي هي:

الخسارة عبر الانتروبيا للتصنيف متعدد الفئات هي:

مصدر

خوارزمية التعلم التدرج

تساعد هذه الخوارزمية في تحديد أفضل القيم الممكنة للمعلمات لتقليل الخسارة في الشبكة العصبية المغذية.

صورة

تتم تهيئة جميع الأوزان (w₁₁₁، w₁₁₂، ...) والتحيزات b (b₁، b₂،….) بشكل عشوائي. بمجرد الانتهاء من ذلك ، يتم تكرار الملاحظات في البيانات. بعد ذلك ، يتم تحديد التوزيع المتوقع المقابل مقابل كل ملاحظة. أخيرًا ، يتم حساب الخسارة باستخدام وظيفة الانتروبيا المتقاطعة.

ثم تساعد قيمة الخسارة في تحديد التغييرات التي يجب إجراؤها في الأوزان لتقليل الخسارة الإجمالية للنموذج.

قراءة: 13 فكرة وموضوعات مثيرة للاهتمام لمشروع الشبكة العصبية

الحاجة إلى نموذج عصبي

لنفترض أن المدخلات التي يتم إدخالها في الشبكة هي بيانات بكسل أولية تأتي من صورة شخصية ممسوحة ضوئيًا. لكي تصنف الإخراج في الشبكة الرقم بشكل صحيح ، قد ترغب في تحديد المقدار الصحيح من الأوزان والتحيزات.

الآن ، ستحتاج إلى إجراء تغييرات صغيرة على الوزن في الشبكة لمعرفة كيف سيعمل التعلم. لكي يظهر هذا بشكل مثالي ، يجب أن تؤدي التغييرات الصغيرة في الأوزان فقط إلى تغييرات صغيرة في الإخراج.

ومع ذلك ، ماذا لو كان التغيير الطفيف في الوزن بمثابة تغيير كبير في الإنتاج؟ يمكن لنموذج العصبون السيني حل مثل هذه المشكلة.

مصدر

اقرأ أيضًا: الأنواع السبعة للشبكات العصبية الاصطناعية التي يحتاجها مهندسو ML

خاتمة

التعلم العميق هو مجال من مجالات هندسة البرمجيات مع نطاق هائل من البحث. هناك الكثير من بنى الشبكات العصبية المحققة لأنواع البيانات المختلفة. على سبيل المثال ، حققت الأنظمة العصبية التلافيفية أفضل تنفيذ في فئتها في مجالات إجراءات معالجة الصور ، بينما تُستخدم الأنظمة العصبية المتكررة عمومًا في معالجة المحتوى والصوت.

عند تطبيقها على مجموعات البيانات الضخمة ، تحتاج الأنظمة العصبية إلى مقاييس وحشية للقوة الحسابية وتسريع المعدات ، والتي يمكن تحقيقها من خلال تصميم وحدات معالجة الرسومات أو وحدات معالجة الرسومات. إذا كنت جديدًا في استخدام وحدات معالجة الرسومات ، يمكنك اكتشاف الإعدادات التي تم تكوينها مجانًا على الويب. أكثرها تفضيلاً هي Kaggle Notebooks أو Google Collab Notebooks.

لإنجاز شبكة عصبية تلقائية فعالة ، تقوم بإجراء العديد من التكرارات في بنية الشبكة ، والتي تحتاج إلى قدر كبير من الاختبار.

لمزيد من المعلومات حول كيفية عمل هذه الشبكات ، تعلم من الخبراء في upGrad. دوراتنا شاملة بشكل لا يصدق ، ويمكنك حل استفساراتك من خلال الاتصال مباشرة بمدرسينا ذوي الخبرة والأفضل في الفصل.

إذا كنت مهتمًا بمعرفة المزيد حول التعلم الآلي ، فراجع دبلوم PG في IIIT-B & upGrad في التعلم الآلي والذكاء الاصطناعي المصمم للمهنيين العاملين ويقدم أكثر من 450 ساعة من التدريب الصارم ، وأكثر من 30 دراسة حالة ومهمة ، IIIT- حالة الخريجين B ، أكثر من 5 مشاريع تتويجا عملية ومساعدة وظيفية مع أفضل الشركات.