Нейронная сеть
Нейронная сеть — это группа взаимосвязанных единиц, называемых нейронами , которые посылают друг другу сигналы. Нейроны могут быть либо биологическими клетками , либо математическими моделями . Хотя отдельные нейроны просты, многие из них вместе в сети могут выполнять сложные задачи. Существует два основных типа нейронных сетей.
- В нейробиологии биологическая нейронная сеть — это физическая структура, обнаруженная в мозге и сложных нервных системах — популяция нервных клеток, соединенных синапсами .
- В машинном обучении искусственная нейронная сеть представляет собой математическую модель, используемую для аппроксимации нелинейных функций . Искусственные нейронные сети используются для решения задач искусственного интеллекта .
В биологии [ править ]
В контексте биологии нейронная сеть — это популяция биологических нейронов, химически связанных друг с другом синапсами . Каждый нейрон может быть связан с сотнями тысяч синапсов. [1] Каждый нейрон отправляет и получает электрохимические сигналы, называемые потенциалами действия, своим соседям. Нейрон может выполнять возбуждающую роль, усиливая и распространяя получаемые сигналы, или тормозную роль, вместо этого подавляя сигналы. [1]
Популяции взаимосвязанных нейронов, размер которых меньше нейронной сети, называются нейронными цепями . Очень большие взаимосвязанные сети называются крупномасштабными мозговыми сетями , и многие из них вместе образуют мозг и нервную систему .
Сигналы, генерируемые нейронными сетями головного мозга, в конечном итоге проходят через нервную систему и нервно-мышечные соединения к мышечным клеткам , где они вызывают сокращение и, следовательно, движение. [2]
В машинном обучении [ править ]
В машинном обучении нейронная сеть — это искусственная математическая модель, используемая для аппроксимации нелинейных функций. Хотя ранние искусственные нейронные сети были физическими машинами, [3] сегодня они почти всегда реализованы в программном обеспечении .
Нейроны в искусственной нейронной сети обычно разбиты на слои, при этом информация передается от первого слоя (входного слоя) через один или несколько промежуточных слоев (скрытых слоев) к последнему слою (выходному слою). [4] Входной «сигнал» для каждого нейрона представляет собой число, а именно линейную комбинацию выходных сигналов связанных нейронов предыдущего слоя. Сигнал, выдаваемый каждым нейроном, рассчитывается на основе этого числа в соответствии с его функцией активации . Поведение сети зависит от силы (или веса ) связей между нейронами. Сеть обучается путем изменения этих весов посредством минимизации эмпирического риска или обратного распространения ошибки , чтобы соответствовать некоторому уже существующему набору данных. [5]
Нейронные сети используются для решения задач искусственного интеллекта и тем самым нашли применение во многих дисциплинах, включая прогнозное моделирование , адаптивное управление , распознавание лиц , распознавание рукописного ввода , общие игры и генеративный искусственный интеллект .
История [ править ]
Теоретическая основа современных нейронных сетей была независимо предложена Александром Бэйном в 1873 году. [6] и Уильям Джеймс в 1890 году. [7] Оба утверждали, что человеческое мышление возникает в результате взаимодействия большого количества нейронов внутри мозга. В 1949 году Дональд Хебб описал обучение Хебба — идею о том, что нейронные сети могут меняться и обучаться с течением времени, укрепляя синапс каждый раз, когда по нему проходит сигнал. [8]
Искусственные нейронные сети первоначально использовались для моделирования биологических нейронных сетей, начиная с 1930-х годов, в рамках подхода коннекционизма . Однако, начиная с изобретения персептрона , простой искусственной нейронной сети, Уорреном Маккалоком и Уолтером Питтсом в 1943 году, [9] за которым последовала аппаратная реализация Фрэнком Розенблаттом в 1957 году, [3] Вместо этого искусственные нейронные сети стали все чаще использоваться для приложений машинного обучения и все больше отличались от своих биологических аналогов.
См. также [ править ]
Ссылки [ править ]
- ^ Перейти обратно: а б Шао, Фэн; Шэнь, Чжэн (9 января 2022 г.). «Как искусственные нейронные сети могут приблизиться к мозгу?» . Фронт Психол . 13 : 970214. doi : 10.3389/fpsyg.2022.970214 . ПМЦ 9868316 . ПМИД 36698593 .
- ^ Левитан, Ирвин; Качмарек, Леонард (19 августа 2015 г.). «Межклеточная связь». Нейрон: клеточная и молекулярная биология (4-е изд.). Нью-Йорк, штат Нью-Йорк: Издательство Оксфордского университета. стр. 153–328. ISBN 978-0199773893 .
- ^ Перейти обратно: а б Розенблатт, Ф. (1958). «Перцептрон: вероятностная модель хранения и организации информации в мозге». Психологический обзор . 65 (6): 386–408. CiteSeerX 10.1.1.588.3775 . дои : 10.1037/h0042519 . ПМИД 13602029 . S2CID 12781225 .
- ^ Бишоп, Кристофер М. (17 августа 2006 г.). Распознавание образов и машинное обучение . Нью-Йорк: Спрингер. ISBN 978-0-387-31073-2 .
- ^ Вапник Владимир Н.; Вапник, Владимир Наумович (1998). Природа статистической теории обучения (Исправленное 2-е издание). Нью-Йорк Берлин Гейдельберг: Springer. ISBN 978-0-387-94559-0 .
- ^ Бейн (1873 г.). Разум и тело: теории их связи . Нью-Йорк: Д. Эпплтон и компания.
- ^ Джеймс (1890). Принципы психологии . Нью-Йорк: Х. Холт и компания.
- ^ Хебб, DO (1949). Организация поведения . Нью-Йорк: Wiley & Sons.
- ^ Маккалок, В; Питтс, W (1943). «Логическое исчисление идей, имманентных нервной деятельности» . Вестник математической биофизики . 5 (4): 115–133. дои : 10.1007/BF02478259 .