Tiny Tech

معماری ها در شبکه های مصنوعی

علامت گذاری های مورد استفاده در شبکه های مصنوعی

از آنجا که شبکه های عصبی مصنوعی کی مفهوم تازه و جدید در تاریخ علوم محسوب می شود هنوز یک استاندارد خاص برای علامت گذاری های ریاضی و نمایش معماری های مختلف آن تعریف نشده است.

به همین دلیل مطالعه منابع مختلف مربوط به این شاخه علمی به علت تعدد سلایق در علامت گذاری ها اندکی دشوار می نماید.

برای نمایش مفاهیم مختلف یم استاندارد تعریف کرده و از آن استفاده می نماییم.

استاندارد مورد استفاده به صورت زیر می باشد:

متغیر های عددی : حروف کوچک italic مثل a,b,c

متغیر های برداری : حروف کوچک bold مثل a,b,c

متغیر های ماتریسی : حروف بزرگ BOLD مثل A,B,C

در ادامه درمورد نحوه نمایش معماری های مربوط به شبکه های عصبی بحث خواهیم کرد.

مدل نورون با یک ورودی

در شکل زیر مدل یک نورون با یک ورودی نمایش داده شده است.

این نورون ساده از دو عنصر کلیدی وزن W و تابع انتقال ƒ تشکیل شده است.

ورودی p به نورون اعمال شده از طریق ضرب در وزن w ، وزند دار می شود و حاصل جمع تابع انتقال ƒ به عنوان ورودی اعمال شده و خروجی نهایی حاصل می گردد.

با اضافه کردن بایاس به ساختار نورون شکل ثبل نورونی بایاس دار و به صورت نورون سمت راست ایجاد می شود.

ورودی بایاس یک مقدار ثابت ۱ است.

مقدار بایاس حاصل از w.p جمع شده و در واقع تابع را به سمت چپ شیفت می دهد.

منظور از ƒ تابع انتقال می باشد.

این تابع معمولا یک step function و یا یک تابع sigmoid می باشد که ارگومان n را دریافت کرده و خروجی a را تولید می کند.

در ادامه درباره تابع انتفال بیشتر بحث خواهیم کرد.

درواقع می توان گفت خروجی نورون به صورت زیر محاسبه می شود:

a =  ƒ (wp + b)

به عنوان مثال در مورد p = 2 , w = 3 و b = 1.5 داریم:

a =  ƒ (۳(۲) – ۱٫۵) =  ƒ (۴٫۵)

b و w دو پارامتر تنظیم شونده در نورون ها می باشند.

با مقایسه مدل ارایه شده با مدل نورون های زنده می توان اندازه وزن w را متناظر با قدرت هر اتصال سیناپسی دانست.

همچنین سیگما با بدنه سلول متناظر است و در نهایت تابع انتقال و خروجی a متناظر با سیگنال خروجی نورون در آکسون می باشند.

ایده اصلی شبکه های عصبی این است که با تغییر مقداری w و b ، شبکه یک رفتار یا تصمیم را اتخاذ کند.

توجه داشته باشید که بایاس یک پارامتر قابل تنظیم نورون ها است نه یک ورودی.