انواع شبکه های عصبی ( بخش دوم )

بخش دوم محتوای انواع شبکه عصبی را با شرحی مختصر از آن شروع می کنیم. شبکه های عصبی مجموعه ای از الگوریتم ها هستند که تلاش می کنند روابط اساسی را در مجموعه ای از داده ها از طریق فرایندی که از عملکرد مغز انسان تقلید می کند ، تشخیص دهند. از این نظر ، شبکه های عصبی به سیستم های نورون اشاره می کنند ، یا دارای ماهیت آلی یا مصنوعی هستند. انواع شبکه عصبی می توانند با تغییر ورودی سازگار شوند. بنابراین شبکه بدون نیاز به طراحی مجدد معیارهای خروجی، بهترین نتیجه ممکن را ایجاد می کند. مفهوم شبکه عصبی که ریشه در هوش مصنوعی دارد، به سرعت در توسعه سیستم های تجاری محبوبیت پیدا می کند.

انواع شبکه عصبی

6. حافظه بلند مدت / کوتاه مدت (LSTM):

شبکه های عصبی LSTM یک سلول حافظه را معرفی می کنند. آنها می توانند داده ها را با شکاف حافظه پردازش کنند. در بالا ، ما می توانیم متوجه شویم که می توانیم تاخیر زمانی را در RNN ها در نظر بگیریم ، اما اگر RNN ما با داشتن تعداد زیادی داده مربوطه از کار بیفتد و بخواهیم داده های مربوطه را از آن پیدا کنیم ، LSTM راهی است که باید طی شود. همچنین ، برخلاف LSTM ها ، RNN ها نمی توانند داده های مدت ها پیش را به خاطر بسپارند.

برنامه های کاربردی:

    تشخیص گفتار.

    تشخیص نوشتن.

7. واحد مکرر دروازه ای (GRU):

یکی دیگر از انواع مهم شبکه های عصبی میباشد. Gated Recurrent Units یک تنوع LSTM است زیرا هر دو دارای طراحی مشابه هستند و اکثراً نتایج یکسانی خوب دارند. GRU ها فقط دارای سه گیت هستند و حالت داخلی سلول را ندارند.

آ. دروازه بروزرسانی: تعیین می کند چه مقدار دانش گذشته به آینده منتقل شود.

ب Reset Gate: تعیین می کند چه مقدار دانش گذشته فراموش شود.

ج حافظه فعلی: زیر قسمت سرنوشت تنظیم مجدد.

برنامه های کاربردی:

    مدل سازی موسیقی چند صدایی.

    مدل سیگنال گفتار.

    پردازش زبان طبیعی.

8. رمزگذار خودکار (AE):

شبکه های عصبی خود رمزگذار یک الگوریتم یادگیری ماشین بدون نظارت هستند. در یک رمزگذار خودکار ، تعداد سلولهای مخفی کمتر از سلولهای ورودی است. تعداد سلولهای ورودی در رمزگذاران خودکار برابر با تعداد سلولهای خروجی است. در یک شبکه AE ، ما آن را آموزش می دهیم تا خروجی را نشان دهد ، که به همان اندازه ورودی تغذیه شده نزدیک است ، که AE ها را مجبور به یافتن الگوهای مشترک و تعمیم داده ها می کند. ما برای نمایش کوچکتر ورودی از رمزگذارهای خودکار استفاده می کنیم. ما می توانیم داده های اصلی را از داده های فشرده بازسازی کنیم. الگوریتم نسبتاً ساده است زیرا AE نیاز دارد تا خروجی همان ورودی باشد.

    رمزگذار: داده های ورودی را در ابعاد پایین تر تبدیل کنید.

    رسیور: داده های فشرده شده را بازسازی کنید.

برنامه های کاربردی:

    طبقه بندی.

    خوشه بندی

    فشرده سازی ویژگی

9. شبکه های عصبی و رمزگذار خودکار متنوع (VAE):

یکی دیگر از انواع شبکه هاص عصبی رمزگذار خودکار متنوع است. یک رمزگذار خودکار متنوع (VAE) از یک رویکرد احتمالی برای توصیف مشاهدات استفاده می کند. این توزیع احتمال برای هر ویژگی را در یک مجموعه ویژگی نشان می دهد.

برنامه های کاربردی:

    بین جملات استیضاح کنید.

    تولید خودکار تصویر.

10. Denoising Autoencoder (DAE):

در این رمزگذار خودکار ، شبکه نمی تواند ورودی را به سادگی در خروجی خود کپی کند زیرا ورودی همچنین شامل نویز تصادفی است. در DAE ها ، ما آن را تولید می کنیم تا نویز را کاهش دهیم و داده های معنی داری را در آن ایجاد کنیم. در این حالت ، الگوریتم لایه پنهان را مجبور به یادگیری ویژگی های قوی تر می کند تا خروجی نسخه تصفیه شده تری از ورودی پر سر و صدا باشد.

برنامه های کاربردی:

    استخراج ویژگی.

    کاهش ابعاد

بخش دوم محتوای انواع شبکه های عصبی به اتمام رسید و در بخش سوم به ادامه این مبحث خواهیم پرداخت.

منبع