Sinir Ağlarının Yapı Taşları: Sinir Ağlarının Bileşenlerinin Açıklanması

Tanıtım

Son yıllarda, derin öğrenme popülerliği, endüstrinin her sektöründe kullanım ve uygulama açısından ani bir eğim aldı. Görüntü tanıma, konuşma oluşturma, çeviri ve benzeri pek çok uygulama olsun, hemen hemen her şirket bu teknolojiyi geliştirdikleri ürünlere veya diğer ürünlere entegre etmek ister. Geleneksel makine öğrenimi algoritmalarına göre bu üstünlüğün nedeni, bu Derin Öğrenme modellerinin sağladığı doğruluk ve verimli performanstır.

Altyapı bu sonuçların sağlanmasında önemli bir rol oynasa da, çekirdek kod, bir Sinir Ağına dahil edilen tüm işlemleri yapar. Bu ağın çeşitli bileşenlerini inceleyelim ve sonra bu bileşenleri kullanan bazı temel birimlere bakacağız.

Okumalısınız: Sinir Ağı Modeline Giriş

Sinir Ağının Çeşitli Bileşenleri

Nöron

Bir sinir ağının temel yapı taşı bir nörondur. Bu kavram, insan beynimizdeki gerçek sinir ağına çok benzer. Bu yapay nöron tüm girdileri alır, toplar ve daha sonra bir fonksiyona dayanarak nöronun çıktısını verir.

Bir sinir ağı, giriş, gizli ve çıkış katmanları olarak bilinen katmanlar biçiminde birbirine bağlanan bu tür birçok nörondan oluşur. Bu ağ, her türlü karmaşık veri modelini matematiksel bir fonksiyonla eşleştirmemizi sağlar ve bu, evrensel yaklaşım teoremi kullanılarak matematiksel olarak doğrulanabilir.

Ağırlıklar

Model, negatif değerler kullanılarak yüksek değerlerin bastırılabilmesi için ağırlıklara sahip olabilir. Bunu bir akıllı telefon satın alma örneğini alarak yorumlayabilirsiniz. Fiyat ne kadar yüksek olursa, o akıllı telefonu satın alma şansı o kadar düşük olacaktır, ancak modelimiz tüm değerleri toplar ve eşikle karşılaştırırsa, yanlış tahmin yapılabilir. Bu etkiyi geçersiz kılmak için negatif ağırlıklar toplamı azaltmalı ve doğru tahmini yapmalıdır.

Aktivasyon Fonksiyonu

Nöron tanımında, bir fonksiyona dayalı olarak, nöronun ya girdinin ya da gizli katmanın bir parçasıysa ya da çıktı katmanında daha ileri işlemler için kullanılıyorsa sonucu bir sonraki katmana çıkaracağından bahsediliyordu.

Bu fonksiyona aktivasyon fonksiyonu denir ve bu, nöronun durumunu tanımlar. Piyasada bu işi yapabilen çok sayıda etkinleştirme işlevi vardır, ancak bunların tümü kullanım durumuna bağlıdır. Örnekler sigmoid işlevi, tanh işlevi, softmax işlevi, Relu (düzeltilmiş doğrusal birim), sızdıran Relu ve çok daha fazlasıdır.

Öğrenme oranı

Ağırlık güncellemesinin hızını kontrol edebilir. Öğrenme oranının önemli bir faktör olarak hareket ettiği iki durumu düşünün. Bir girdi özelliği daha seyrek değerlere sahipse, ağırlıkları daha sık güncellememiz gerekir ve bu nedenle daha büyük bir öğrenme oranı istenir. Benzer şekilde, düşük bir öğrenme oranı yoğun verilerde işe yarayabilir.

Daha büyük sinir ağlarında bu bileşenleri kullanan bazı temel birimlere bakalım.

MP Nöron

Bu, girdi toplamını hesaplayan ve ardından nihai çıktıyı almak için bunu aktivasyon fonksiyonuna ileten en temel Yapay Nöron formudur. İşte bunun bir görseli:

Bunun sınırlayıcı faktörü, girişlerin ikili olması ve hiçbir gerçek sayıya izin verilmemesidir. Bu, farklı değerlere sahip bir veri kümesi kullanmak istiyorsak, bunun modele iletilmesi için ikili olarak ölçeklenmesi gerektiği anlamına gelir.

Bu modelin çıktıları da ikilidir, bu da sonuçların kalitesini yorumlamayı zorlaştırır. Girdilerin herhangi bir ağırlığı yoktur, bu nedenle bir özelliğin sonuca ne kadar katkısı olacağını kontrol edemeyiz.

algılayıcı nöron

MP nöronlarının önemli dezavantajlarından biri, gerçek sayıları girdi olarak kabul edememesi ve bu da istenmeyen sonuçlara yol açabilmesiydi. Bu nörona gerçek sayılarla bir girdi özelliği geçirmek istiyorsak, ölçeğin 1'lere veya 0'lara indirgenmesi gerektiği anlamına gelir. Bu nöron modelinde girdilerde böyle bir sınırlama yoktur, ancak standartlaştırılmış girdileri geçmek, girdilerin toplanması tüm özellik değerleri için adil olacağından daha kısa sürede daha iyi sonuçlar verecektir.

Bu modeli yeni girdilere karşı daha da sağlam hale getiren bir öğrenme algoritması da tanıtıldı. Algoritma, kayıp fonksiyonuna dayalı olarak her girişe uygulanan ağırlıkları günceller. Kayıp fonksiyonu, gerçek değer ile model tarafından tahmin edilen değer arasındaki farkı belirler. Kare hata kaybı, derin öğrenme modellerinde kullanılan popüler işlevlerden biridir.

Algı nöronu da ikili çıktı verdiği için kayıp sıfır veya bir olabilir. Bu, bu türün kayıp fonksiyonunu daha kompakt bir şekilde “Tahmin gerçek değere eşit olmadığında, kayıp birdir ve ağırlıkların güncellenmesi gerekir, aksi takdirde sıfır kayıp ve güncelleme gerekmez” şeklinde tanımlayabileceğimiz anlamına gelir. Ağırlıklardaki güncellemeler şu şekilde yapılır:

w = w + x wx < 0 ise

w = w – x wx >= 0 ise

Okuyun: Yeni Başlayanlar İçin TensorFlow Nesne Algılama Eğitimi

sigmoid nöron

Algılayıcı nöron, MP nörona kıyasla umut verici görünüyor, ancak hala ele alınması gereken bazı sorunlar var. Her ikisinde de büyük bir kusur, yalnızca ikili sınıflandırmayı desteklemeleridir. Diğer bir konu, yalnızca belirli bir durumun mümkün olup olmadığını gösteren katı sınıflandırma sınırlarıdır. İkili çıktılardan daha yorumlanabilir olasılıklar biçimindeki tahminlerde esnekliğe izin vermez.

Tüm bu sorunları çözmek için çoklu sınıflandırma ve regresyon görevleri yapmak için kullanılabilen Sigmoid nöron tanıtıldı. Bu model, sigmoid fonksiyon ailesini veya logaritmik kullanır:

y = 1 / (1 + e^ (-wx + b))

Bu fonksiyonu çizersek, bu eğrinin kesişimi olan farklı 'b' değerleri kullanılarak konumunun ayarlanabileceği 'S' şeklini alacaktır. Bu fonksiyonun çıktısı, kaç giriş iletilirse geçilsin, her zaman 0 ile 1 arasındadır. Bu, katı çıktılardan daha iyi olan sınıfın olasılığını verir. Bu aynı zamanda birden fazla sınıflandırmaya sahip olabileceğimiz veya regresyon yapabileceğimiz anlamına gelir.

Bunun için öğrenme algoritması öncekilerden farklıdır. Burada ağırlıklar ve sapma, kayıp fonksiyonunun türevine göre güncellenir.

Bu algoritma yaygın olarak Gradient Descent kuralı olarak bilinir. Bunun türetilmesi ve ayrıntılı açıklaması oldukça uzun ve matematikseldir, bu nedenle şu anda bu makalenin dışındadır. Basit bir ifadeyle, kayıp fonksiyonunun türevi için en uygun minimumu elde etmek için gradyanın tersi yönde hareket etmemiz gerektiğini belirtir.

Çözüm

Bu, Sinir Ağlarına kısa bir girişti. Mini beyin gibi davranan ve girdileri işleyen nöron, değerleri dengelemeye izin veren ağırlıklar, ağırlıkların hızının nasıl güncellendiğini kontrol etmek için öğrenme hızı ve nöronları ateşlemek için aktivasyon işlevi gibi çeşitli temel bileşenleri gördük.

Ayrıca, temel yapı taşı nöronunun, görevin karmaşıklığını artırma konusunda nasıl farklı biçimler alabileceğini gördük. MP nöronundaki en temel formla başladık, ardından Perceptron nöronundaki bazı sorunları ortadan kaldırdık ve daha sonra sigmoid nöronda regresyon ve çok sınıflı sınıflandırma görevleri için destek ekledik.

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.