Для чего нужна нейронная сеть?
нейронная сеть работает на тех же принципах, что и наш мозг.
Данный сеть может самообучаться и развивать свои способности из года в год.
Сам процесс обучения происходит постоянно и не является подконтрольным процессом, плотно соприкосается с квантом.
Цель создать искуственный интелект и возможность интеграции биокибернетики с техникой для обретения целостности между органической структурой с внедрением технической составляющей. Возможность управлять гинетикой всегда заботила власть имущих, путем соединения нейронной сети с органикой, посредствам нано частиц и живого-разумного материала
короче что тотипа отчцифровка сознания для вечной жизни
Нейронные сети - будущее информационных технологий. Они уже сейчас применяются, например, в поисковых системах. Тот же сервис по нахождению картинок, распознавание лиц, предсказание погоды и т.д.
Нейронная сеть особенно необходима в тех случаев когда имеет место дименция или же просто плохая память или соотвественно ухудшенная реакция
- Статическое обратное распространение:
- Recurrent обратное распространение:
Нейросети обрабатывают большое количество внешних факторов, оценивают степень влияния каждого из них на конечный результат и на основе этого находят лучший ответ на поставленную задачу.
Если объяснять "на пальцах", то основными элементами любой нейросети являются нейроны. Каждый нейрон получает на вход один или несколько сигналов (чисел), обрабатывает их хитрым (или не очень) образом, а затем передает результат дальше.
Нейроны объединены в последовательно расположенные слои. Отдельно выделены два крайних слоя - входной и выходной. Через входной слой нейросеть получает информацию, через выходной передает результат ее обработки. Все промежуточные слои называются скрытыми.
Каждый скрытый слой соединен с двумя соседними (предыдущим и следующим) сложной системой связей (простите за тавтологию). В простейшем случае в каждый его нейрон попадают сигналы от каждого нейрона предыдущего слоя, обрабатываются, а затем из него уходят в каждый нейрон следующего слоя.
Однако, это еще не все. Каждая связь имеет "вес". То есть, сигнал от одного нейрона, пока идет до следующего, несколько меняет значение (значение этого сигнала умножается на этот "вес").
Если весам связей присвоить случайные значения, то ничего осмысленного такая нейросеть делать не будет. То есть, их надо еще как-то правильно подобрать. Иными словами, нейросеть надо обучить.
Как происходит обучение, проще показать на примере. Допустим, мы обучаем нейросеть отличать изображения кошек от изображений собак. Тогда на входной слой нейросети мы отдаем изображение, а на выходе нейросеть возвращает пару действительных чисел от 0 до 1 каждое. Первое означает, насколько нейросеть уверена, что это собака, а второе - что кошка. Почему делают именно так - вопрос, на который простым языком не ответить. То есть, если первое число больше, то нейросеть решила, что увидела собаку, а если второе, то кошку.
Итак, время обучать сетку. Даем нейросети изображение. Она отвечает нам этой самой парой чисел (a, b). Но мы-то знаем, кто на картинке, правда? Поэтому мы поправляем нейросеть. А именно, мы "насильно запихиваем" в выходной слой пару (1, 0), если собака или (0, 1), если кошка, а дальше происходит некоторая магия (чтобы постичь ее, нужно обладать некоторым знанием математики), которая заставляет нейросеть перераспределять веса связей. Самый распространенный способ творить эту магию - т.н. "метод обратного распространения ошибки", но есть и другие.
Спустя множество разных картинок, с которыми мы провернем то же самое, веса связей между нейронами выстроятся таким образом, что она будет хорошо отличать кошек от собак.
Как видите, магия возникла только в двух местах. Чтобы разобраться, в ней, нужно читать более строгие тексты. Начать рекоммендую с этого:
wikipedia.orgИ/или