Санкт-Петербург
Подробная информация напрямую от 100+ приедприятий СПБ

Классификация нейронных сетей простым языком

Просмотры: 81, Понравилось: 0
Главное изображение

За всю историю своего существования нейронные сети успели стать многообразными. Причем для решения какой-либо задачи она может применяться нескольких типов. Именно поэтому в настоящий момент их разделяют по нескольким признакам сразу. К ним относят следующие: по сфере применения, по типу входных данных, по характеру связей, а также по методу применения. Далее рассмотрим подробнее, что представляет собой классификация нейронных сетей по основным признакам.

Типы искусственных сетей

Классификацию можно проводить по следующим характеристикам:

По настройке весов

Различают с фиксированными и динамическими связями.

При первом случае коэффициенты определяются в зависимости от поставленной задачи.

При другом — весы настраиваются в процессе обучения нейронной сети.

По типу входной информации

Как правило, она подается в виде: нулей и единиц или действительных чисел. Если используются последние, то такие сети называют аналоговыми. А когда на вход подаются другие, то соответственно двоичными.

По характеру обучения

Сети могут обучаться с учителем или без него.

Первое означает, что входной вектор вместе с целевым вектором составляет обучающую пару. Обучение происходит при наличии нескольких таких пар. По определенному алгоритму подстраиваются веса синоптических связей. При этом имеется знание правильного ответа для каждого входного значения. Веса корректируются после получения результатов сравнения полученных выходных значений с заранее известными входными данными.

Обучение без учителя осуществляется без сравнения выходов с заранее известными ответами. Оно происходит с использованием входных векторов. Они должны быть достаточно близки, а выходы должны быть примерно одинаковыми. Таким образом схожие между собой векторы группируются по категориям. Данный тип нередко используется на практике, если требуется классификация с помощью нейронных сетей , созданных искусственно.

По типу используемой модели

Различают следующие сети: прямого распространения, рекуррентные, радиально-базисные и самоорганизующиеся.

В сетях прямого распространения связи направлены от входных нейтронов к выходным и никак иначе. Простейшим примером модели являются простейший и многослойный персептроны.

В рекуррентных используется обратная связь. Благодаря ей сигнал с выхода частично передается обратно на входы входного слоя. Это делает возможным обработку динамических моделей.

Основной особенностью радиально-базисных функций является наличие скрытого слоя из радиальных элементов, а выходной слой состоит из линейных элементов. Сети довольно минимизированы и обладают высокой скоростью обучения.

Самоорганизующиеся карты, по-другому именуемые сетями Кохонена, способны обучаться без учителя и хорошо показали себя при решении задач, связанных с распознаванием. Сеть состоит всего лишь из входного и выходного слоя с радиальными элементами. Тем не менее, она способна выделять встречающиеся неизвестные ранее данные как новизну.

По направлению связей

По данному признаку сети бывают либо с обратными связями, либо без них.

Без обратных связей гораздо проще понять и моделировать. Главной их особенностью является то, что поток информации движется последовательно от одного слоя к другому. Благодаря этому, после подачи входных данных, можно узнать состояние каждого слоя, представляющее собой совокупность описаний входного сигнала. Пока он останется неизменным, его описание останется таким же.

Однако, у данного типа также имеется и недостаток. Из-за того, что нейроны по нескольку раз принимают непосредственное участие в обработке данных, размер должен быть минимальным.

Сети с обратными связями гораздо усложняют ее структуру. Теперь, чтобы узнать ее состояние, потребуется несколько проходов. Как только на вход поступает сигнал, благодаря обратным связям входная информация изменится, и потребуется перерасчет состояния. Обучать их сложно. Это связано с увеличением количества нейтронов, используемых для алгоритмов схожей сложности. Среди минусов отмечают то, что для того, чтобы вычисления сошлись, требуется вводить специальные условия.

Какие вопросы решают нейронные сети в качестве классификатора

В наше время, если стоит задача классификации, нейронные сети используются для поиска решения достаточно широко. На практике они представляются несколькими не пересекающимися парными множествами, которые сравниваются с имеющимся образцом. Наглядным примером могут служить следующие задачи: определение кредитоспособности клиента банка, определения исхода какого-либо заболевания, определение дальнейших котировок на бирже, определение финансового состояния фирм.

Структуры без обратной связи хорошо подходят для решения вопросов, связанных с аппроксимацией функций.

Не менее интересна классификация изображений нейронными сетями свёрточного типа из-за их неплохой эффективности при решении данного вопроса. В результате работы можно прочитать qr код, штрих код или выяснить присутствует ли какой-либо заданный объект на фото. Нет необходимости проверять все пиксели сразу. Нейронная сеть разбивает изображение на части и берет друг за другом соответствующие пиксели и затем анализирует их.

Однако, при использовании нейронных сетей в качестве классификатора, нельзя обойти ряд проблем. Одна из них заключается в том, что заранее не ясен необходимый размер создаваемой структуры. Простейшие однослойные годятся лишь для решения линейно разделимых задач. На практике часто используют многослойные во скрытым слоем внутри.

Гость
Ваше фото
Рекомендуем вам прочесть