انواع شبکه های عصبی
امروزه، انواع شبکه های عصبی مختلفی در یادگیری عمیق وجود دارد که برای اهداف مختلف مورد استفاده قرار می گیرند. در این مقاله، ما بیشترین استفاده از توپولوژی را در شبکه های عصبی خواهیم داشت، و به طور خلاصه نحوه کار آنها را همراه با برخی از کاربردهای آنها در چالش های دنیای واقعی معرفی می کنیم.
انواع شبکه های عصبی
1. پرسپترون (P):
مدل پرسپترون به عنوان یک شبکه عصبی تک لایه نیز شناخته می شود. این شبکه عصبی فقط شامل دو لایه است:
لایه ورودی
لایه خروجی
در این نوع شبکه عصبی ، هیچ لایه پنهانی وجود ندارد. ورودی می گیرد و ورودی وزنی هر گره را محاسبه می کند. پس از آن ، از یک تابع فعال سازی (بیشتر یک تابع سیگموئید) برای اهداف طبقه بندی استفاده می کند.
برنامه های کاربردی:
طبقه بندی.
پایگاه داده رمزگذاری (چند لایه Perceptron).
مانیتور دسترسی به داده ها (چند لایه Perceptron).
2. Feed Forward (FF):
شبکه عصبی feed-forward یک شبکه عصبی مصنوعی است که در آن گره ها هرگز چرخه تشکیل نمی دهند. در این شبکه عصبی ، همه گیرنده ها به صورت لایه هایی مرتب شده اند که لایه ورودی می گیرد و لایه خروجی تولید خروجی می کند. لایه های پنهان هیچ ارتباطی با جهان خارج ندارند. به همین دلیل است که آنها لایه های پنهان نامیده می شوند. در یک شبکه عصبی پیشخور ، هر گیرنده در یک لایه با هر گره در لایه بعدی متصل است. بنابراین ، همه گره ها به طور کامل متصل هستند.
نکته دیگری که باید مورد توجه قرار گیرد این است که هیچ ارتباط قابل مشاهده و نامرئی بین گره های موجود در همان لایه وجود ندارد. هیچ حلقه برگشتی در شبکه انتقال اطلاعات وجود ندارد. از این رو ، برای به حداقل رساندن خطای پیش بینی ، به طور کلی از الگوریتم backpropagation برای به روزرسانی مقادیر وزن استفاده می کنیم.
برنامه های کاربردی:
متراکم سازی داده ها.
تشخیص الگو.
چشم انداز کامپیوتر
تشخیص هدف سونار.
تشخیص گفتار.
شناسایی شخصیت های دست نویس.
3. شبکه پایه شعاعی (RBN):
شبکه های عملکرد شعاعی به طور کلی برای مشکلات تقریب عملکرد استفاده می شود. به دلیل سرعت یادگیری سریعتر و تقریب جهانی می توان آنها را از سایر شبکه های عصبی تشخیص داد. تفاوت اصلی بین شبکه های Radial Basis و شبکه های Feed-forward این است که RBN ها از یک عملکرد Radial Basis به عنوان یک تابع فعال سازی استفاده می کنند. یک تابع لجستیک (تابع سیگموئید) بین 0 تا 1 خروجی می دهد ، تا بفهمد جواب مثبت است یا خیر. مشکل این است که اگر مقادیر مداوم داشته باشیم ، نمی توان از RBN استفاده کرد. RBI تعیین می کند که خروجی تولید شده ما از خروجی هدف چقدر فاصله دارد. این موارد در صورت داشتن مقادیر پیوسته می توانند بسیار مفید باشند. به طور خلاصه RBI ها با استفاده از توابع فعال سازی مختلف مانند شبکه های FF رفتار می کنند.
برنامه های کاربردی:
تقریب عملکرد
پیش بینی Timeseries.
طبقه بندی.
کنترل سیستم
4. تغذیه عمیق (DFF):
شبکه عمیق بازخورد شبکه ای است که از بیش از یک لایه پنهان استفاده می کند. مشکل اصلی استفاده از تنها یک لایه پنهان مشکل وجود بیش از حد است ، بنابراین با افزودن لایه های پنهان بیشتر ، ممکن است (و نه در همه موارد) کاهش اضافه پوش و بهبود کلی سازی را به دست آوریم.
برنامه های کاربردی:
متراکم سازی داده ها.
تشخیص الگو.
چشم انداز کامپیوتر
فیلتر صوتی ECG.
پیش بینی مالی
5. شبکه عصبی راجعه (RNN):
شبکه های عصبی راجعه (RNN) نوعی تغییر در شبکه های تغذیه (FF) است. در این نوع ، هر یک از سلول های عصبی در لایه های پنهان ورودی را با تأخیر خاص در زمان دریافت می کند. ما از این نوع شبکه عصبی در جایی که نیاز به دسترسی به اطلاعات قبلی در تکرارهای فعلی داریم استفاده می کنیم.به عنوان مثال ، وقتی می خواهیم کلمه بعدی را در یک جمله پیش بینی کنیم ، ابتدا باید کلمات قبلی را بشناسیم. RNN ها می توانند ورودی ها را پردازش کرده و هر طول و وزن را در طول زمان به اشتراک بگذارند. اندازه مدل با اندازه ورودی افزایش نمی یابد و محاسبات موجود در این مدل اطلاعات تاریخی را در نظر می گیرند.
با این حال ، مشکل این شبکه عصبی سرعت کم محاسباتی است. علاوه بر این ، نمی تواند هیچ ورودی آینده ای را برای وضعیت فعلی در نظر بگیرد. اطلاعات مربوط به مدتها قبل را به خاطر نمی آورد.
برنامه های کاربردی:
ترجمه ماشینی
کنترل ربات
پیش بینی سری زمانی.
تشخیص گفتار.
سنتز گفتار.
تشخیص ناهنجاری سری زمانی.
ریتم یادگیری.
آهنگسازی موسیقی.
معرفی انواع شبکه های عصبی را در محتوای بعدی ادامه خواهیم داد و شبکه های بیشتری را برای شما شرح می دهیم.
مطالب زیر را حتما بخوانید:
چنانچه دیدگاهی توهین آمیز باشد و متوجه اشخاص مدیر، نویسندگان و سایر کاربران باشد تایید نخواهد شد. چنانچه دیدگاه شما جنبه ی تبلیغاتی داشته باشد تایید نخواهد شد. چنانچه از لینک سایر وبسایت ها و یا وبسایت خود در دیدگاه استفاده کرده باشید تایید نخواهد شد. چنانچه در دیدگاه خود از شماره تماس، ایمیل و آیدی تلگرام استفاده کرده باشید تایید نخواهد شد. چنانچه دیدگاهی بی ارتباط با موضوع آموزش مطرح شود تایید نخواهد شد.
نظرات کاربران