-
La palabra "red neuronal" en realidad proviene de la biología. El nombre correcto de la red neuronal a la que nos referimos debería ser "red neuronal artificial (ANN)". En este artículo usaré ambos términos indistintamente.
Una verdadera red neuronal está formada por miles de millones de células llamadas neuronas (las pequeñas células que forman nuestro cerebro), que están conectadas de diferentes maneras para formar una red. Las redes neuronales artificiales son un intento de simular esta estructura biológica y su funcionamiento. Aquí está el problema: ¡no sabemos mucho sobre redes neuronales biológicas! Entonces, la arquitectura de las redes neuronales varía mucho entre los diferentes tipos, y todo lo que conocemos es la estructura básica de las neuronas.
Neuronas
-
Aunque se ha confirmado que existen aproximadamente entre 50 y 500 neuronas diferentes en nuestro cerebro, la mayoría se basan en células especiales del Yuan neuronal básico. . Las neuronas básicas incluyen sinapsis, cuerpos celulares, axones y dendritas. Las sinapsis son responsables de las conexiones entre las neuronas. No tienen una conexión física directa, pero existe un pequeño espacio entre ellas que permite que las señales eléctricas salten de una neurona a otra. Estas señales eléctricas luego se entregarán al soma para su procesamiento y los resultados del procesamiento se transmitirán al axón a través de sus señales eléctricas internas. El axón distribuye estas señales a sus dendritas. Finalmente, las dendritas llevan estas señales a otras sinapsis para continuar el ciclo.
Al igual que las neuronas básicas en biología, las redes neuronales artificiales también tienen neuronas básicas. Cada neurona tiene una cierta cantidad de entradas y también se establece un peso para cada neurona. El peso es un indicador de la importancia de los datos de entrada. Luego, la neurona calculará el valor neto, que es la suma de todas las entradas multiplicada por sus pesos. Cada neurona tiene su propio umbral y cuando el peso total es mayor que el umbral, la neurona generará 1. De lo contrario, genera 0. Finalmente, la salida se transmitirá a otras neuronas conectadas a esta neurona para continuar con los cálculos restantes.
Aprendizaje
-
Como se mencionó anteriormente, el núcleo del problema es cómo establecer pesos y valores críticos. Existen muchos métodos de capacitación diferentes en el mundo, al igual que existen muchos tipos de redes. Pero algunos de los más famosos incluyen la retropropagación, la regla delta y el modelo de entrenamiento de Kohonen.
Debido a los diferentes sistemas estructurales, las reglas de capacitación también son diferentes, pero la mayoría de las reglas se pueden dividir en dos categorías: supervisadas y no supervisadas. Las reglas de capacitación del modelo de supervisión requieren que el "maestro" les diga cuál debe ser la entrada específica y cuál debe ser la salida. Luego, las reglas de entrenamiento ajustan todos los pesos requeridos (esto es muy complejo en una red) y todo el proceso comienza de nuevo hasta que la red puede analizar los datos correctamente. Los modos de entrenamiento para métodos supervisados incluyen la retropropagación y la regla delta. Las reglas del enfoque no regulatorio no requieren un maestro ya que el producto que producen se evalúa más a fondo.
Arquitectura
-
En las redes neuronales, el término "obedecer reglas claras" es el más "ambiguo". ¡Porque hay muchos tipos de redes, desde perceptrones simples hasta redes complejas autoajustables (Kohonen) y modelos de redes dinámicas térmicas (máquinas de Boltzmann)! Y todos ellos cumplen con un estándar de arquitectura de red.
Una red consta de múltiples "capas" de neuronas, una capa de entrada, una capa oculta y una capa de salida. La capa de entrada es responsable de recibir la entrada y distribuirla a las capas ocultas (llamadas capas ocultas porque estas capas no son visibles para el usuario). Estas capas ocultas son responsables de los cálculos requeridos y envían los resultados a la capa de salida, donde el usuario puede ver el resultado final. Ahora bien, para evitar confusiones, no profundizaré aquí en el tema de la arquitectura. Se pueden encontrar más detalles sobre diferentes redes neuronales en el artículo de quinta generación.
Aunque hemos hablado de neuronas, entrenamiento y arquitectura, todavía no sabemos qué hacen realmente las redes neuronales.
Función de las redes neuronales artificiales
-
Las redes neuronales están diseñadas para trabajar con patrones; pueden ser categóricas o asociativas. Una red de clasificación puede tomar un conjunto de números y clasificarlos. Por ejemplo, el programa ONR acepta una imagen de un número y genera ese número. O el programa PPDA32 acepta una coordenada y la clasifica en clase A o clase B (la clase está determinada por la capacitación proporcionada). Para fines más prácticos, se puede ver que el radar militar se utiliza en aplicaciones militares donde puede detectar vehículos o árboles, respectivamente.
El modo asociativo acepta un conjunto de números y genera otro conjunto de números. Por ejemplo, el programa HIR toma una imagen "sucia" y genera la imagen más cercana que jamás haya aprendido. El modo Lenovo se puede aplicar a aplicaciones complejas, como firma, reconocimiento facial, reconocimiento de huellas dactilares, etc.
Los altibajos de las redes neuronales
-
Las redes neuronales tienen muchas ventajas en este campo, lo que las hace cada vez más populares. Es excelente en clasificación/identificación de tipos. Las redes neuronales pueden manejar anomalías y datos de entrada anormales, lo cual es muy importante para muchos sistemas, como los radares y los sistemas de posicionamiento acústico. Muchas redes neuronales imitan las redes neuronales biológicas, es decir, funcionan imitando el funcionamiento del cerebro. Las redes neuronales también contribuyen al desarrollo de la neurociencia, permitiéndoles distinguir objetos con tanta precisión como los humanos y con la velocidad de una computadora. El futuro es brillante, pero por ahora...
Sí, las redes neuronales tienen algunos inconvenientes. Esto suele deberse a la falta de hardware suficientemente potente. El poder de las redes neuronales proviene de procesar información en paralelo, es decir, procesar múltiples datos al mismo tiempo. Por lo tanto, tener una máquina en serie que simule el procesamiento en paralelo requiere mucho tiempo.
Otro problema con las redes neuronales es que las condiciones para construir una red para un determinado problema no están suficientemente definidas: hay demasiados factores a considerar: algoritmo de entrenamiento, arquitectura, número de neuronas por capa, cuántas capas los hay, representación de datos, etc. y muchos otros factores. Por lo tanto, a medida que el tiempo se vuelve más importante, la mayoría de las empresas no pueden permitirse el lujo de desarrollar repetidamente redes neuronales para resolver problemas de manera efectiva.
Red neuronal
Red neuronal artificial
Neurona Neurona
Sinapsis sináptica
Red autoorganizada
Modelado de redes Propiedades termodinámicas Modelo de red termodinámica
Traducción al inglés
Introducción
-
Red neuronal Es una nueva tecnología en el campo del vocabulario de la moda. Mucha gente ha oído hablar de este término, pero pocos entienden realmente qué es. El propósito de este artículo es presentar todas las características básicas de las redes neuronales, incluida su estructura general, terminología relacionada, tipos y aplicaciones.
"Red neuronal" en realidad proviene de la biología, y el nombre correcto de la red neuronal a la que nos referimos debería ser "redes neuronales artificiales (RNA)". En este artículo, también usaré estos dos términos indistintamente.
Una verdadera red neuronal está formada por miles de millones de células llamadas neuronas (formadas por pequeñas células en nuestro cerebro) que están conectadas y tipificadas de diferentes maneras en red. Las redes neuronales artificiales intentan simular la estructura de este sistema biológico y su funcionamiento. He aquí un problema: ¡no sabemos mucho sobre redes neuronales biológicas! Por tanto, las arquitecturas entre los diferentes tipos de redes neuronales son muy diferentes y sólo conocemos la estructura básica de las neuronas.
Neuronas
-
Aunque se reconoce que existen aproximadamente entre 50 y 500 tipos diferentes de neuronas en nuestro cerebro, la mayoría de ellas se basan en estructuras especializadas. células dentro de las neuronas básicas. Contiene sinapsis básicas, cuerpos celulares, axones y dendritas. Las sinapsis son responsables de las conexiones entre las neuronas. No tienen una conexión física directa, sino un espacio muy pequeño entre ellas para permitir que las señales eléctricas pasen de una neurona a otra. La señal eléctrica que pasa al cuerpo celular se procesa mediante señales electrónicas internas y los resultados del procesamiento se pasan al axón. Estas señales se distribuyen desde el axón hasta las dendritas. Finalmente, las dendritas transportan estas señales a otras sinapsis y el ciclo continúa.
Como neurona biológica básica, la red neuronal artificial tiene neuronas básicas. Cada neurona tiene un número específico de entradas y se establece un peso para cada neurona. El peso es un indicador de la importancia de la información de entrada. Luego, la neurona calcula el peso del valor total (neto) y el peso total de todos los valores de entrada se multiplica por su peso total. Cada neurona tiene su propio umbral. Cuando el peso es mayor que el valor crítico del peso total, la neurona generará 1. De lo contrario, se emite 0. Finalmente, la salida se puede transmitir a neuronas conectadas a otras neuronas para realizar los cálculos restantes.
Aprendizaje
——Como se mencionó anteriormente, el foco del debate es el valor crítico del peso y cómo establecerlo. Hay tantos métodos de formación diferentes en el mundo como tipos de redes. Pero algunos famosos incluyen la retropropagación, la regla delta y el modelo de entrenamiento de Kohonen.
Debido a los diferentes sistemas estructurales, las reglas de capacitación también son diferentes, pero la mayoría de las reglas se pueden dividir en dos categorías: regulatorias y no regulatorias. Las reglas de capacitación supervisada requieren que un "maestro" les diga cómo deben ser las entradas y salidas específicas. Luego, las reglas de entrenamiento ajustan los pesos de todos los valores de demanda (esta es una red muy compleja) y todo el proceso comienza de nuevo hasta que la red pueda analizar los datos correctos. Los métodos de ajuste para modelos de entrenamiento incluyen retropropagación y reglas delta. No existen reglas para los métodos no regulados de los profesores, ya que el resultado que producen se evaluará más a fondo.
Arquitectura
-
En las redes neuronales, las palabras claras que se ajustan a las reglas son las más "oscuras". ¡Porque hay tantos tipos diferentes de redes, desde simples redes booleanas (perceptrones), hasta complejas redes autoajustables (Kohonen) y modelos de redes dinámicas térmicas (máquinas de Boltzmann)! Estos deben ajustarse a los estándares de la arquitectura de red.
Una red está formada por múltiples neuronas, "capas", capas de entrada, capas ocultas y capas de salida. La capa de entrada recibe información y la distribuye a las capas ocultas (dado que estas capas no son visibles para el usuario, las capas ocultas son realmente visibles). La capa oculta es responsable de los cálculos necesarios y la salida a la capa de salida, donde el usuario puede ver el resultado final. Ahora bien, para evitar confusiones, no profundizaremos aquí en la arquitectura. Diferentes redes neuronales pueden leer y generar información más detallada, incluidas múltiples "capas" de redes neuronales, capa de entrada, capa oculta y capa de salida. La capa de entrada recibe información y la distribuye a las capas ocultas (dado que estas capas no son visibles para el usuario, las capas ocultas sí son visibles). La capa oculta es responsable de los cálculos necesarios y la salida a la capa de salida, donde el usuario puede ver el resultado final. Ahora bien, para evitar confusiones, no profundizaremos aquí en la arquitectura. Puede encontrar información más detallada sobre diferentes redes neuronales en el artículo de Generation5.
Mientras hablábamos de neuronas, entrenamiento y arquitectura, no teníamos idea de qué era una red neuronal real.
Funciones de las redes neuronales artificiales
- Las redes neuronales están diseñadas para procesar patrones; se pueden dividir en dos categorías: tipos o tipos asociados. Una red categórica puede aceptar varias y luego clasificarlas. Por ejemplo, el programa ONR toma algunas imágenes y genera números. O el programa PPDA32 acepta una coordenada y la clasifica como Clase A o Clase B (el tipo de entrenamiento proporcionado por Decisión). Se puede ver un uso más práctico en el radar militar, que puede identificar un coche o un árbol.
El modo asociativo acepta un conjunto de números y otro conjunto de salidas. Los programas HIR como HIR aceptan una imagen "sucia" y generan una imagen limpia y más cercana. El modo Lenovo también se puede utilizar para aplicaciones complejas como reconocimiento de firmas, rostros y huellas dactilares.
Los altibajos de las redes neuronales
- Las redes neuronales tienen muchas ventajas en este sentido, lo que las hace más populares. Es excelente en clasificación/identificación de tipos. Las redes neuronales pueden manejar datos de entrada anormales en lugar de normales, lo cual es importante para muchos sistemas, como los de radar y sonar. Muchas redes neuronales se modelan a partir de redes neuronales biológicas, es decir, sus modos de funcionamiento imitan el funcionamiento del cerebro. Las redes neuronales también contribuyen al avance de la neurociencia al poder reconocer objetos con tanta precisión como los humanos y a la misma velocidad que las computadoras. El futuro es brillante, pero por ahora...
Sí, las redes neuronales tienen algunos inconvenientes. Esto suele deberse a la falta de hardware suficientemente potente. La capacidad de las redes neuronales para procesar información en paralelo (es decir, procesar grandes cantidades de datos al mismo tiempo). Por lo tanto, simular una máquina de procesamiento en serie-paralelo requiere mucho tiempo.
Otro problema con las redes neuronales es que no hay condiciones definidas al construir una red; hay muchos factores a considerar: algoritmo de entrenamiento, arquitectura, número de neuronas por capa, número de capas, espera de visualización de datos. . Hay otros factores. Por lo tanto, con el tiempo se vuelve cada vez más importante que la mayoría de las empresas no tengan la capacidad de desarrollar redes neuronales de forma iterativa para resolver problemas de forma eficaz.
No sé si lo busqué hace un momento.