Deep Learning

یادگیری عمیق Deep Learning

یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است که از روش مغز انسان برای امر یادگیری الگو برداری می کند،بنابراین برای مطالعه آن در ابتدا لازم است با شبکه های عصبی مصنوعی آشنایی پیدا کنیم.

یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است که از روش مغز انسان برای امر یادگیری الگو برداری می کند،بنابراین برای مطالعه آن در ابتدا لازم است با شبکه های عصبی مصنوعی آشنایی پیدا کنیم.
جایگاه یادگیری عمیق در هوش مصنوعی

نقش شبکه های عصبی مصنوعی در یادگیری عمیق

همانطور که اشاره شد شبکه های عصبی مصنوعی ابزار اصلی پیاده سازی سیستم های یادگیری عمیق هستند ،بنابراین برای پیاده سازی یک سیستم یادگیری عمیق لازم است که آشنایی کافی با شبکه های عصبی مصنوعی داشته باشیم.کوچکترین واحد سازنده هر شبکه عصبی نورون نام دارد.

نورون Neuron

کوچکترین واحد سازنده یک سیستم یادگیری عمیق نورون نام دارد. مغز آدمی شامل بیش از ۱۰ میلیارد نورون می باشد که هر کدام از آنها به طور متوسط به چندین هزار نورون دیگر متصل هستند، این اتصالات تحت عنوان سیناپس(Synapse) شناخته می شوند. مغز انسان شامل حدود ۶۰ تریلیون از این اتصالات می باشد. در واقع المان های پردازش  بسیار ساده می باشند ،هر نورون شامل یک سوما Soma(بدنه  اصلی نورون ) ، یک اکسون Axon و چند دندریت Dendrite می باشد.

ساختار نورون های طبیعی

روش کار در یک نورون در یادگیری عمیق

نورون ها ورودی هایی را از سایر نورون ها توسط دندریت ها  دریافت می کنند ، وقتی که مقدار سیگنال ورودی بیشتر از یک آستانه مشخص  گردید ،نورون به اصطلاح فعال می شود  و یک واکنش شیمیایی در آن  اتفاق افتاده سپس یک پالس الکتریکی به آکسون خود  می فرستد. آکسون از طریق سیناپس های که متصل به نورون هستند ،سیگنال را به دندریت های سایر نورون ها منتقل می کنند.

 ساختار و کار یک نورون به تنهایی خیلی ساده است ،اما یک شبکه پیچیده از این نورون ها  می ‌تواند اطلاعاتی با نرخ بزرگی و پیچیدگی بسیار بالا را پردازش نماید .

مغز آدمی بسیار پیچیده تر از هر وسیله‌ای است از که به دست بشر ساخته شده ، پیچیده تر از هر شی یا ساختار موجود در طبیعت که تاکنون شناخته شده است.

از خصوصیات مغز آدمی شکل پذیری می باشد به این صورت که نورون ها می‌توانند در مواجهه با رخدادهایی که اتفاق می‌افتد، خودشان و تعداد پیوند های شان با دیگر نورون ها را تغییر دهند .به این طریق مغز آدمی می تواند یاد بگیرد .

مغز از یک نوع تشویق یا جایزه جهت تقویت پیوندهای بین نورون هایی که به راه حل های درست مسائل ختم میشود و همچنین از تضعیف پیوندهای منتهی به راه حل های نادرست استفاده می نماید. قدرت یک پیوند یاسیناپس تعیین کننده میزان قدرت تاثیر گذاری آن بر روی نورون هایی میباشد که به آن متصل هستند، و چنانکه یک نورون ضعیف باشد نقش کمتری در محاسبات انجام شونده و در قسمتی که آن پیوند قرار دارد می نماید ایفا می‌نماید.

نورون های مصنوعی

 در یادگیری عمیق شبکه های عصبی بر اساس مغز انسان مدل شده اند و شامل تعدادی نورون های مصنوعی هستند. نورون ها در شبکه های عصبی مصنوعی سعی بر این دارند تا تعداد پیوند های کمتری را نسبت به نورون های طبیعی داشته باشند. شبکه های عصبی در حال حاضر به طور قابل ملاحظه ای از نظر تعداد نورون ها از مغز آدمی کوچکترند.

ساختار یک نورون مصنوعی

هر نورون یا نود در یک شبکه عصبی مصنوعی مور استفاده در یادگیری عمیق، تعدادی ورودی دریافت می نماید و تابعی تحت عنوان  تابع فعال ساز دارد . روش کار به این صورت است که ورودی ها هر کدام در وزن خود ضرب و نتایج آنها با هم جمع می شود ،سپس خروجی نهایی این مرحله  با یک مقدار بنام مقدار اریبی bias جمع  و همانند شکل به تابع فعال ساز داده می شود.در نهایت خروجی تابع فعال ساز به نورون های بعدی منتقل خواهد شد.

نحوه کار تابع فعال ساز

برخی از توابع فعال ساز مهم

یکی از مهمترین بخش های شبکه عصبی بکار رقته در یادگیری عمیق تابع فعال ساز آن شبکه است .
در زیر به برخی از توابع فعال ساز مهم اشاره کردیم و از آنجایی که ترجمه های مناسبی برای برخی از آنها وجود ندارد ،از کلمات انگلیسی استفاده نمودیم،ضمنا ضابطه هر یک از توابع در شکل مر بوط به آن آمده است.

  1. تابع فعال ساز دودویی
Binary Step Function

2. تابع فعال ساز خطی

Linear Function

3. تابع فعال ساز سیگموئید

Sigmoid

4. تابع فعال ساز Rectified Linear Unit

ReLU

5. تابع فعال ساز آنتروپی 

Softmax

 هر شبکه عصبی از مجموعه‌ای از نورون های متصل به یکدیگر تشکیل شده است.

ساختار یک شبکه عصبی چند لایه

در مقالات بعدی به نحوه یادگیری یک شبکه عصبی در سیستم یادگیری عمیق و کاربرد های آن خواهیم پرداخت

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا
بستن
بستن