Modelo de Rede Neural: Breve Introdução, Glossário e Retropropagação

Se você é um entusiasta da engenharia de software tentando entender como as redes neurais funcionam, você está no lugar certo.

Neste guia, ajudaremos os iniciantes a aprender o significado de redes neurais, obter uma introdução sobre o que é um modelo de rede neural e expandir seus conhecimentos para novas áreas do campo.

O que é uma rede neural?

Antes de entrar na terminologia computacional, vamos entender a existência de redes neurais em nossa vida cotidiana.

O termo “neural” vem de “neurônio”, que é o termo usado para uma única célula nervosa. Isso mesmo – uma rede neural significa essencialmente uma rede de neurônios que realizam ações simples em nossas vidas diárias.

Reconhecimento de padrões, detecção de objetos e inteligência são um aspecto importante dos problemas que enfrentamos todos os dias. Embora sejam realizadas com tanta facilidade que nem percebemos, a verdade é que essas reações são difíceis de automatizar.

Exemplo:

• Crianças memorizando como é uma maçã
• Um animal reconhecendo sua mãe ou dono
• Percebendo se algo está quente ou frio

Nossas redes neurais realizam esses cálculos complicados.

Os humanos agora foram capazes de construir um sistema de computação que pode funcionar de maneira semelhante ao nosso sistema nervoso. São as chamadas redes neurais artificiais (RNAs).

Embora inicialmente usássemos as RNAs para realizar funções simples, o aumento no poder de computação agora nos permitiu construir uma arquitetura de rede neural bastante poderosa para resolver problemas cada vez mais complicados.

Vamos aprender sobre ANN em profundidade na próxima seção.

Leia: Tutorial de detecção de objetos do TensorFlow para iniciantes

O que é um modelo de rede neural artificial?

Uma rede neural multicamada totalmente conectada contendo uma camada de entrada, camadas ocultas e uma camada de saída é chamada de rede neural artificial ou ANN.

A imagem abaixo representa uma RNA.

Fonte

Se você observar com atenção, notará que cada nó em uma camada está conectado a cada nó na camada próxima a ele.

À medida que você aumenta o número de camadas ocultas, a rede se torna mais profunda.

Vamos ver como é um nó individual na camada de saída ou oculta.

Fonte

Como você pode ver, o nó recebe muitas entradas. Ele soma todos os pesos e os repassa como saída, por meio de uma função de ativação não linear.

Esta saída do nó se torna a entrada do nó na próxima camada.

Uma coisa importante a notar aqui é que o sinal sempre se moverá da esquerda para a direita. Uma vez que todos os nós tenham seguido o procedimento, a saída final será dada.

Veja como é a equação de um nó.

Fonte

Na equação acima, b é viés. É a entrada para todos os nós e sempre carrega o valor 1.

O viés ajuda a mover o resultado da função de ativação para a esquerda ou para a direita.

Glossário de Modelo de Rede Neural Artificial

Vejamos os termos básicos que você deve saber quando se trata de um modelo de rede neural artificial.

Entradas

Os dados alimentados pela primeira vez na rede neural a partir da fonte são chamados de entrada. Seu objetivo é fornecer dados à rede para tomar uma decisão ou previsão sobre as informações alimentadas nela. O modelo de rede neural geralmente aceita conjuntos de valores reais de entradas e deve ser alimentado em um neurônio na camada de entrada.

Conjunto de treinamento

As entradas para as quais você já conhece as saídas corretas são chamadas de conjuntos de treinamento. Eles são usados ​​para ajudar a rede neural a ser treinada e memorizar o resultado para o conjunto de entrada fornecido.

Saídas

Toda rede neural gera uma saída como uma previsão ou decisão sobre os dados alimentados nela. Esta saída está na forma de valores reais definidos ou decisões booleanas. Apenas dos neurônios na camada de saída gera o valor de saída.

Neurônio

Também conhecido como perceptron, um neurônio é a unidade básica de uma rede neural. Ele aceita um valor de entrada e gera uma saída com base nele.

Conforme discutido anteriormente, cada neurônio recebe uma parte da entrada e a passa através da função de ativação não linear para o nó na próxima camada. Essas funções de ativação podem ser TanH, sigmoid ou ReLu. A característica não linear dessas funções ajuda a treinar a rede.

Espaço de peso

Cada neurônio tem um peso numérico. Ao entregar a entrada para outra nota, seu peso é somado com as demais para gerar uma saída. Ao fazer pequenas alterações nesses pesos é como as redes neurais são treinadas. O ajuste fino dos pesos ajuda a determinar o conjunto correto de pesos e vieses que gerariam o melhor resultado. É aí que entra a retropropagação.

O que é retropropagação em um modelo de rede neural?

Uma das maneiras de descobrir com sucesso as pequenas alterações que precisam ser feitas nos pesos para minimizar a perda de toda a rede é a retropropagação.

• Inicialmente, as ativações devem ser propagadas no sentido ascendente ou feedforward.
• Agora, as derivadas da função de custo devem ser propagadas na direção descendente ou reversa.

Dessa forma, você poderá determinar a derivada de custo parcial em relação a cada peso. Você pode então calcular o custo que seria reduzido fazendo os ajustes.

Conclusão

Muitos engenheiros de software não recomendam o modelo de rede neural, pois acham que ele é bastante ineficiente, já que várias iterações são necessárias para chegar à solução mais econômica.

No entanto, vários novos algoritmos, como as redes de cápsula de Hinton, a rede neural de cápsula, exigem muito menos instâncias de ajustes para chegar a um modelo preciso. E assim, certamente a rede neural tem muito escopo no futuro.

Se você estiver interessado em aprender mais sobre aprendizado de máquina, confira o PG Diploma in Machine Learning & AI do IIIT-B e upGrad, projetado para profissionais que trabalham e oferece mais de 450 horas de treinamento rigoroso, mais de 30 estudos de caso e atribuições, IIIT- B Status de ex-aluno, mais de 5 projetos práticos práticos e assistência de trabalho com as principais empresas.