İleri Beslemeli Sinir Ağına Giriş: Katmanlar, İşlevler ve Önem

Derin öğrenme teknolojisi, arama motorlarının, makine çevirisinin ve mobil uygulamaların bel kemiğidir. Farklı veri türlerinden desenler bulmak ve oluşturmak için insan beynini taklit ederek çalışır.

Bu inanılmaz teknolojinin önemli bir parçası, yazılım mühendislerine örüntü tanıma ve sınıflandırma, doğrusal olmayan regresyon ve fonksiyon yaklaşımında yardımcı olan ileri beslemeli bir sinir ağıdır.

Çekirdek sinir ağı mimarisinin bu temel yönü hakkında bazı bilgiler edinelim.

İleri Beslemeli Sinir Ağı Nedir?

Yaygın olarak çok katmanlı bir nöron ağı olarak bilinen ileri beslemeli sinir ağları, tüm bilgilerin yalnızca ileri yönde hareket etmesi nedeniyle bu şekilde adlandırılır.

Bilgi önce girdi düğümlerine girer, gizli katmanlardan geçer ve son olarak çıktı düğümlerinden çıkar. Ağ, çıkış düğümünden gelen bilgileri ağa geri beslemek için hiçbir bağlantı içermez.

İleri beslemeli sinir ağları, yaklaşık fonksiyonlara yöneliktir.

İşte nasıl çalıştığı .

y = f*(x) sınıflandırıcısı vardır.

Bu, x girdisini y kategorisine besler.

İleri beslemeli ağ, y = f (x; θ) eşlemesini yapacaktır. Daha sonra fonksiyona en iyi yaklaşan θ değerini ezberler.

Google Fotoğraflar uygulamasında görebileceğiniz gibi, resimlerde nesne tanıma temeli için ileri beslemeli sinir ağı.

İleri Beslemeli Sinir Ağının Katmanları

İleri beslemeli bir sinir ağı aşağıdakilerden oluşur.

giriş katmanı

Girdi alan nöronları içerir. Daha sonra girdiyi bir sonraki katmana iletirler. Giriş katmanındaki toplam nöron sayısı, veri kümesindeki özniteliklere eşittir.

Gizli katman

Bu, giriş ve çıkış katmanları arasında gizlenen orta katmandır. Bu katmanda girdilere dönüşüm uygulayan çok sayıda nöron vardır. Daha sonra çıktı katmanına iletirler.

Çıktı katmanı

Son katmandır ve modelin yapısına bağlıdır. Ayrıca çıktı katmanı, sonucun ne olmasını istediğinizi bildiğiniz için tahmin edilen özelliktir.

nöron ağırlıkları

Nöronlar arasındaki bağlantının gücüne ağırlık denir. Bir ağırlığın değeri 0 ile 1 arasında değişir.

Daha fazla bilgi edinin: Sinir Ağı Modeli: Kısa Tanıtım, Sözlük

İleri Beslemeli Sinir Ağında Maliyet Fonksiyonu

Maliyet fonksiyonunu seçmek, ileri beslemeli bir sinir ağının en önemli kısımlarından biridir. Genellikle, ağırlıklardaki ve sapmalardaki küçük değişiklikler, sınıflandırılmış veri noktalarını etkilemez. Bu nedenle, ağırlıklarda ve önyargılarda küçük değişiklikler yapmak için düzgün bir maliyet işlevi kullanarak performansı artırmanın bir yolunu bulmak.

Ortalama kare hata maliyeti fonksiyonu için formül:

Kaynak

Neresi,

w = ağdaki ağırlıkların toplanması

b = önyargılar

n = eğitim girdilerinin sayısı

a = çıktı vektörleri

x = girdi

‖v‖ = v vektörünün normal uzunluğu

İleri Beslemeli Sinir Ağında Kayıp Fonksiyonu

Sinir ağındaki kayıp işlevi, öğrenme sürecinin ihtiyaç duyduğu herhangi bir düzeltme olup olmadığını belirlemek içindir.

Çıkış katmanı nöronları, sınıf sayısına eşit olacaktır. Tahmin edilen ve gerçek olasılık dağılımı arasındaki farkı karşılaştırmak.

İkili sınıflandırma için çapraz entropi kaybı:

Çok sınıflı sınıflandırma için çapraz entropi kaybı:

Kaynak

Gradyan Öğrenme Algoritması

Bu algoritma, ileri beslemeli sinir ağındaki kaybı azaltmak için parametreler için mümkün olan en iyi değerlerin belirlenmesine yardımcı olur.

resim

Tüm ağırlıklar (w₁₁₁, w₁₁₂,…) ve önyargılar b (b₁, b₂,….) rastgele başlatılır. Bu yapıldıktan sonra, verilerdeki gözlemler yinelenir. Daha sonra, her bir gözlem için karşılık gelen tahmini dağılım belirlenir. Son olarak, kayıp, çapraz entropi işlevi kullanılarak hesaplanır.

Kayıp değeri daha sonra modelin genel kaybını azaltmak için ağırlıklarda yapılacak değişiklikleri hesaplamaya yardımcı olur.

Okuyun: 13 İlginç Sinir Ağı Projesi Fikirleri ve Konuları

Nöron Modeli İhtiyacı

Diyelim ki ağa beslenen girdiler, bir karakterin taranmış görüntüsünden gelen ham piksel verileridir. Ağdaki çıktının basamağı doğru bir şekilde sınıflandırması için doğru miktarda ağırlık ve önyargı belirlemek istersiniz.

Şimdi, öğrenmenin nasıl çalışacağını görmek için ağdaki ağırlıkta küçük değişiklikler yapmanız gerekecek. Bunun mükemmel bir şekilde sonuçlanması için ağırlıklardaki küçük değişiklikler çıktıda sadece küçük değişikliklere yol açmalıdır.

Ancak, ağırlıktaki küçük değişiklik çıktıda büyük bir değişiklik anlamına gelirse ne olur? Sigmoid nöron modeli böyle bir sorunu çözebilir.

Kaynak

Ayrıca Okuyun: Makine Öğrenimi Mühendislerinin İhtiyaç Duyduğu 7 Yapay Sinir Ağı Türü

Çözüm

Derin öğrenme, muazzam bir araştırma kapsamına sahip bir yazılım mühendisliği alanıdır. Çeşitli veri türleri için gerçekleştirilmiş çok sayıda sinir ağı mimarisi bulunmaktadır. Örneğin, evrişimli sinir sistemleri, görüntü işleme prosedürleri alanlarında sınıfının en iyisi yürütmeyi başarırken, tekrarlayan sinir sistemleri genellikle içerik ve ses işlemede kullanılır.

Devasa veri kümelerine uygulandığı noktada, sinir sistemleri, grafik işleme birimlerinin veya GPU'ların düzenlenmesi tasarımıyla gerçekleştirilebilecek, devasa hesaplama kuvveti ve ekipman ivmesi ölçümlerine ihtiyaç duyar. GPU'ları kullanmakta yeniyseniz, web'de ücretsiz yapılandırılmış ayarları keşfedebilirsiniz. En çok tercih edilenler Kaggle Not Defterleri veya Google Collab Not Defterleridir.

Etkili bir ileri beslemeli sinir ağını gerçekleştirmek için, ağ mimarisinde çok sayıda test gerektiren birkaç yineleme gerçekleştirirsiniz.

Bu ağların nasıl çalıştığı hakkında daha fazla bilgi için upGrad'daki uzmanlardan öğrenin. Kurslarımız inanılmaz derecede kapsamlıdır ve deneyimli ve sınıfının en iyisi öğretmenlerimizle doğrudan iletişime geçerek sorularınızı çözebilirsiniz.

Makine öğrenimi hakkında daha fazla bilgi edinmek istiyorsanız, çalışan profesyoneller için tasarlanmış ve 450+ saat zorlu eğitim, 30'dan fazla vaka çalışması ve ödev, IIIT- sunan IIIT-B & upGrad'ın Makine Öğrenimi ve Yapay Zeka PG Diplomasına göz atın. B Mezun statüsü, 5+ pratik uygulamalı bitirme projesi ve en iyi firmalarla iş yardımı.