სალექციო ვიქტორინა
თანამედროვე ნერვული ქსელის მსგავსის დანერგვის ერთ-ერთი პირველი მცდელობა გააკეთა ფრენკ როზენბლატმა კორნელის აერონავტიკული ლაბორატორიიდან 1957 წელს. ეს იყო ტექნიკის დანერგვა სახელწოდებით "Mark-1", რომელიც შექმნილია პრიმიტიული გეომეტრიული ფიგურების ამოცნობისთვის, როგორიცაა სამკუთხედები, კვადრატები და წრეები.
 |  |
სურათები ვიკიპედიიდან
შეყვანის სურათი წარმოდგენილი იყო 20x20 ფოტოცელური მასივით, ამიტომ ნერვულ ქსელს ჰქონდა 400 შეყვანა და ერთი ორობითი გამომავალი. მარტივი ქსელი შეიცავდა ერთ ნეირონს, რომელსაც ასევე უწოდებენ ზღვრული ლოგიკური ერთეული. ნერვული ქსელის წონა მოქმედებდა როგორც პოტენციომეტრები, რომლებიც საჭიროებდნენ ხელით კორექტირებას ვარჯიშის ფაზაში.
პოტენციომეტრი არის მოწყობილობა, რომელიც მომხმარებელს საშუალებას აძლევს დაარეგულიროს მიკროსქემის წინააღმდეგობა.
New York Times-ი წერდა იმ დროს პერცეპტრონის შესახებ: ელექტრონული კომპიუტერის ემბრიონი, რომელსაც [საზღვაო ფლოტი] მოელის, შეძლებს სიარული, ლაპარაკი, დანახვა, დაწერა, საკუთარი თავის რეპროდუცირება და გააცნობიეროს მისი არსებობა.
პერცეპტრონის მოდელი
დავუშვათ, რომ გვაქვს N მახასიათებელი ჩვენს მოდელში, ამ შემთხვევაში შეყვანის ვექტორი იქნება N ზომის ვექტორი. პერცეტრონი არის ორობითი კლასიფიკაციის მოდელი, ანუ მას შეუძლია განასხვავოს შეყვანის მონაცემების ორი კლასი. ჩვენ ვივარაუდებთ, რომ თითოეული შეყვანის ვექტორისთვის x ჩვენი პერცეტრონის გამომავალი იქნება +1 ან -1, კლასიდან გამომდინარე. გამომავალი გამოითვლება ფორმულის გამოყენებით:
y(x) = f(wTx)
სადაც f არის ნაბიჯის გააქტიურების ფუნქცია
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
პერცეპტრონის ვარჯიში
პერცეპტრონის მოსამზადებლად ჩვენ უნდა ვიპოვოთ წონების ვექტორი w, რომელიც მნიშვნელობების უმეტესობას სწორად კლასიფიცირებს, ანუ იწვევს უმცირეს შეცდომას. ეს შეცდომა E განისაზღვრება პერცეპტრონის კრიტერიუმით შემდეგნაირად:
E(w) = -&ჯამ;wTxiti
სადაც:
- ჯამი აღებულია ტრენინგის იმ წერტილებზე, რაც იწვევს არასწორ კლასიფიკაციას
- xi არის შეყვანის მონაცემები და ti არის ან -1 ან +1 უარყოფითი და დადებითი მაგალითებისთვის.
ეს კრიტერიუმი განიხილება, როგორც w წონების ფუნქცია და ჩვენ უნდა შევამციროთ იგი. ხშირად გამოიყენება მეთოდი, რომელსაც ეწოდება გრადიენტული დაღმართი, რომელშიც ვიწყებთ საწყისი წონებით w(0), შემდეგ კი ყოველ საფეხურზე ვაახლებთ წონებს ფორმულის მიხედვით:
w(t+1) = w(t) - η∇E(w)
აქ & ე.წ. არის ეგრეთ წოდებული სწავლის სიჩქარე და ∇E(w) აღნიშნავს E-ის გრადიენტს. მას შემდეგ, რაც ჩვენ გამოვთვლით გრადიენტს, მივიღებთ
w(t+1) = w(t) + &ჯამ;ηxiti
პითონის ალგორითმი ასე გამოიყურება:
იტვირთება…დასკვნა
ამ გაკვეთილზე თქვენ შეიტყვეთ პერცეპტრონის შესახებ, რომელიც არის ორობითი კლასიფიკაციის მოდელი, და როგორ უნდა მოამზადოთ იგი წონის ვექტორის გამოყენებით.
გამოწვევა
თუ გსურთ სცადოთ საკუთარი პერცეპტრონის შექმნა, სცადეთ ეს ლაბორატორია Microsoft Learn-ზე, რომელიც იყენებს Azure ML დიზაინერი-ს.
ლექციის შემდგომი ვიქტორინა
მიმოხილვა და თვითშესწავლა
იმის სანახავად, თუ როგორ შეგვიძლია გამოვიყენოთ პერცეპტრონი სათამაშო პრობლემის გადასაჭრელად, ისევე როგორც რეალურ ცხოვრებაში და სწავლის გასაგრძელებლად - გადადით პერცეპტრონი რვეულზე.
აქ არის საინტერესო სტატია პერცეპტრონების შესახებ ასევე.