شبکه های عصبی ما را قادر می سازند تا مدل های یادگیری ماشینی (ML) بسازیم که رفتار مغز انسان را تقلید می کند. این شبکهها با شبیهسازی نحوه کار نورونهای بیولوژیکی برای پردازش اطلاعات، سنجش گزینهها و رسیدن به نتیجهگیری، تصمیمگیری میکنند. این قابلیت تصمیمگیری به شبکه عصبی اجازه میدهد تا با ورودیهای در حال تغییر و جدید سازگار شوند، که یک ویژگی حیاتی برای مدلهای پیشرفته هوش مصنوعی مانند ChatGPT و DALL-E است.
شبکه های عصبی
شبکه عصبی یک مدل محاسباتی است که در آن گره های به هم پیوسته (موسوم به نورون ها یا واحدها) برای تجزیه و تحلیل داده ها و پیش بینی ها با یکدیگر همکاری می کنند. نام رایج دیگر شبکه های عصبی، شبکه عصبی مصنوعی (ANN) است.
هر شبکه عصبی مصنوعی شامل گره است که در سه نوع لایه سازماندهی شده اند:
- لایه ورودی داده خام از طریق لایه ورودی وارد شبکه عصبی می شوند. گره های این لایه داده های ورودی را تجزیه و تحلیل کرده و به لایه بعدی منتقل می کنند.
- لایه مخفی این لایه ها خروجی لایه قبلی را تجزیه و تحلیل می کنند، آن را پردازش می کنند و به لایه بعدی منتقل می کنند. اکثر شبکه های عصبی بیش از یک لایه پنهان دارند.
- لایه خروجی این لایه در انتهای یک ANN عمل می کند. لایه های خروجی ورودی های آخرین لایه پنهان را دریافت می کنند و پیش بینی نهایی شبکه را تولید می کنند.
صرف نظر از لایه ای که در آن کار می کنند، هر گره در ANN ورودی های دریافتی از گره های لایه قبلی را پردازش می کند. هر گره دارای فرمولی است که برای داده های دریافتی اعمال می کند، پس از آن گره خروجی فرمول را در برابر آستانه تغییر پویا بررسی می کند. سپس گره یکی از دو کار را انجام می دهد:
- اگر خروجی از آستانه فعلی فراتر رود، گره داده ها را به لایه بعدی ارسال می کند.
- اگر خروجی کمتر از آستانه فعلی باشد، گره داده ها را به لایه بعدی منتقل نمی کند.
این فرآیند غیرخطی بودن را به فرآیند تصمیم گیری شبکه می افزاید. غیر خطی بودن شبکه عصبی مصنوعی را در بینایی کامپیوتر، تشخیص تصویر و گفتار، پردازش زبان طبیعی (NLP) و رباتیک پیشرفته بسیار موثر می کند.
انواع شبکه های عصبی
بر اساس تعداد لایه پنهان، دو دسته گسترده از شبکه های عصبی مصنوعی وجود دارد: شبکه عصبی کم عمق و عمیق. شبکه عصبی کم عمق تنها یک لایه پنهان دارند، در حالی که شبکه عصبی عمیق (DNN یا شبکه عمیق) دارای دو یا چند لایه پنهان هستند.
همچنین انواع مختلفی از معماری شبکه های عصبی وجود دارد. در اینجا رایج ترین آنها هستند:
- شبکه عصبی FNN. FNN ها داده ها را فقط در یک جهت هدایت می کنند، از گره های ورودی از طریق لایه پنهان تا گره های خروجی. هیچ چرخه یا حلقه ای وجود ندارد. FNN ها برای طبقه بندی باینری و وظایف رگرسیونی که شامل داده های متوالی نیستند و روابط ورودی-خروجی نسبتاً ساده ای دارند ایده آل هستند.
- شبکه عصبی مکرر (RNNs). RNN ها داده ها را قادر می سازند تا از طریق لایه ها به عقب بروند تا به نتایج بهتری دست یابند. RNN ها برای کارهای پردازش متوالی داده مانند پیش بینی سری های زمانی، NLP یا تشخیص گفتار مناسب هستند.
- شبکه تابع پایه شعاعی (RBFNs). لایه پنهان در یک RBFN تابع پایه شعاعی را به ورودی اعمال می کند. این توابع خروجی خود را بر اساس فاصله بین داده های ورودی و مراکز خاص مرتبط با هر تابع محاسبه می کنند. RBFN ها اغلب برای تقریب تابع، طبقه بندی و وظایف خوشه بندی استفاده می شوند.
- شبکه عصبی حالت مایع (ماشین های حالت مایع). گره ها در یک ماشین حالت مایع به طور تصادفی به یکدیگر متصل می شوند. این شبکهها در پردازش بلادرنگ دادههای مکانی-زمانی، مانند دادههای حسی رباتها، عالی هستند.
- شبکه عصبی باقیمانده این نوع معماری شبکه عصبی به داده ها اجازه می دهد تا از طریق فرآیندی به نام نگاشت هویت از لایه ها عبور کنند. طراحی باقیمانده برای شبکه های بسیار عمیق با بسیاری از لایه های پنهان مفید است.
- شبکه عصبی مدولار این معماری دو یا چند شبکه عصبی را ترکیب می کند که در فعالیت یکدیگر تداخلی ایجاد نمی کنند. ANN های مدولار برای کارهایی مناسب هستند که مشکل را می توان به مشکلات فرعی کوچکتر و قابل کنترل تر تجزیه کرد.
برای مطالعه کامل انواع شبکه های عصبی به مطلب کاربردی در این خصوص مراجعه نمایید.
