021-71053903 [email protected] پشتیبانی از شنبه تا چهارشنبه ساعت 9 الی 16

شبکه عصبی مصنوعی-بخش اول

شبکه عصبی چیست؟

شبکه عصبی مصنوعی یا همان Neural Network  Artificialیک الگوی پردازش اطلاعات است که با الهام گرفتن از روش سیستم های عصبی های عصبی بیولوژیکی مانند مغز انسان، اطلاعات را پردازش می کند. این شبکه با تعداد زیادی از عناصر پردازشی به شدت پیوسته هستند، برای حل مسائل خاص استفاده می شود. شیوه یادگیری در شبکه های عصبی مانند یادگیری انسان است. ANN برای یک برنامه خاص مانند تشخیص الگو یا طبقه بندی داده ها از طریق یک فرایند یادگیری، پیکربندی شده است.

شبکه عصبی بیولوژیکی:

یک سلول عصبی یک سلول بیولوژیکی خاص است که فرایند اطلاعات را پردازش می کند. بر اساس برآوردهای انجام شده،  تعداد خیلی زیادی عصب ها یعنی حدود سلول عصبی با  اتصال وجود دارد.

biological neural network

نحوه عملکرد سلول عصبی:

یک عصب معمولی شامل چهار بخش است که از آن استفاده می کند:

دندریت ها: Dendrite شاخه های درخت مانند هستند که مسئول دریافت اطلاعات از سایر سلول های عصبی متصل هستند. به عبارت دیگر می توان گفت آنها مانند گوش های نورون هستند.

SOMA  : این سلول نورونی است و مسئول پردازش اطلاعاتی است که از Dendrite ها در یافت می کند.

AXON  : دقیقا شبیه به کابلی است که نورون از طریق آن اطلاعات را ارسال می کند.

Synapses : اتصال بین AXON   و دیگر Dendrite های نورون است.

شباهت های شبکه عصبی بیولوژیکی (BNN)  به شبکه عصبی مصنوعی (ANN) :
شبکه عصبی بیولوژیکی (BNN) شبکه عصبی مصنوعی (ANN)
SOMA Node
Dendrite Input
Synapses Weights or Interconnections
AXON Output
مقایسه بین شبکه عصبی بیولوژیکی (BNN)  به شبکه عصبی مصنوعی (ANN) بر اساس برخی معیارهای ذکر شده:
شبکه عصبی مصنوعی شبکه عصبی بیولوژیکی ویژگی
بسیار موازی اما کندتر از BNN بسیار موازی اما برتر از ANN پردازش
  تا  سلول عصبی ( به نوع خواسته و طراحی شبکه بستگی دارد)   سلول عصبی با  اتصال داخلی اندازه
بسیار دقیق است و به ساختار خاصی برای تحمل ابهامات نیاز دارد. می توانند ابهامات را تحمل کنند آموزش
از عملکرد قوی برخوردار است، از این رو توانایی تحمل خطا را دارد. کارایی با خطاهای جزئی هم کاهش میابد تحمل خطا
ذخیره اطلاعات در محل حافظه پیوسته ذخیره اطلاعات در Synapses ظرفیت ذخیره سازی

انواع شبکه های عصبی :

به طور کلی شبکه های عصبی دارای دو نوع ساختا است:

  • رو به جلو
  • بازگشتی

شبکه عصبی رو به جلو یا feed Forward ANN

در این نوع شبکه عصبی جریان اطلاعات یک طرفه است. یعنی یک واحد ( neuron ) ، اطلاعات را به واحد دیگر ارسال می کند بدون اینکه اطلاعاتی از آن دریافت کند.  به عبارتی هیچ حلقه بازگشتی ای وجود ندارد. در الگوهای تشخیص، طبقه بندی و تولید استفاده می شود. آنها دارای ورودی (از نقطه قبل) و خروجی ( به نقطه بعد) های ثابت هستند. فقط حرکت رو به جلو مجاز است، امکان برگشت به نودهای قبلی وجود ندارد.feed forward ANN

شبکه عصبی بازگشتی یا feed Back ANN

در این نوع شبکه حلقه بازگشتی مجاز هستند. یعنی حرکت رو به نود های قبلی امکان پذیر است.

feedback_ann

کاربرد شبکه عصبی:

شبکه های عصبی مصنوعی به طور مداوم بهبود پیدا می کنند و یاد می گیرند تا با در نظر گرفتن نمونه ها وظایف خود را انجام دهند.  ANN در تشخیص تصاویر کاربرد فراوان دارد. به عنوان مثال یک شبکه عصبی ممکن است یاد بگیرد تصاویر را با تجزیه و تحلیل نمونه هایی که به صورت دستی با برچسب به عنوان « گربه» یا بدون برچسب هستند را شناسایی کنند. این نوع الگوریتم ها در مقایسه با الگوریتم های سنتی مبتنی بر قوانین ،بیشترین استفاده را در برنامه های کاربردی پیدا کرده اند.

نحوه کار کردن شبکه عصبی:

شبکه های عصبی دستگاه های محاسباتی موازی برای ایجاد یک مدل کامپیوتری شبیه به مغز هستند. هدف اصلی از ایجاد شبکه های عصبی توسعه یک سیستم برای انجام سریعتر وظایف مختلف محاسباتی نسبت به سیستم های سنتی است.اسن وظایف عبارتند از تشخیص الگو و طبقه بندی، بهینه سازی و خوشه بندی داده ها.

مدل شبکه عصبی:

در نمودار زیر نمونه ای از شبکه عصبی مصنوعی عمومی را می بینیم:ANN

در مدل کلی بالا از شبکه عصبی مصنوعی، شبکه ورودی با فرمول زیر محاسبه می شود:

 ANN formula

ANN صدها یا هزاران نورون مصنوعی به نام واحد پردازش دارد که توسط گره ها(node) به هم پیوسته اند. این واحد پردازش از واحدهای ورودی و خروجی تشکیل شده است. واحدهای ورودی بر اساس سیستم وزنی داخلی اشکال و ساختارهای مختلف اطلاعات را دریافت می کنند و شبکه عصبی سعی در کسب اطلاعات در مورد اطلاعات ارائه شده برای تهیه یک گزارش خروجی دارد. درست مانند انسان برای رسیدن به نتیجه یا خروجی به قوانین و دستورالعمل ها نیز نیاز است ، ANN ها همچنین برای تکمیل نتایج خروجی خود از مجموعه ای از قوانین یادگیری به نام back propagation ، مخفف انتشار خطای عقب استفاده می کنند.

ANN معمولاً شامل تعداد زیادی پردازنده است که بصورت موازی و مرتب در یک سطح کار می کنند.

اولین لایه ورودی: ورودی اولیه که مانند اعصاب نوری در پردازش بینایی انسان است؛ ورودی ها را دریافت می کند.

لایه های میانی: خروجی لایه قبلی را به عنوان ورودی دریافت می کند.

لایه آخر: خروجی نهایی را تولید می کند.

برای ادامه توضیحات شبکه های عصبی مصنوعی با من همراه باشید.

یادگیری عمیق

مطالعه بیشتر

maryam keshvari

31 مطلب منتشر شده

کارشناسی ارشد فناوری اطلاعات علاقمند به زبان برنامه نویسی python و هوش مصنوعی

درباره این مطلب نظر دهید !

مطالب پرمخاطب پایتونی ها

tensorflow vs pytorch

TensorFlow و PyTorch

3
دقیـقه مطالعه
ادامه ...
Keras-or-PyTorch

PyTorch و Keras

5
دقیـقه مطالعه
ادامه ...

محصولات فروش پایتونی ها

%60
تخفیف

آموزش فیگما (Figma)

30,000 تومان
3
%69
تخفیف

آموزش برنامه نویسی پایتون

35,000 تومان
2