Qu'est-ce qu'un réseau de neurones ?

Le terme deep learning fait référence à la formation des réseaux de neurones. Deep représente de très grands réseaux de neurones. Alors, qu’est-ce qu’un réseau de neurones exactement ? Après avoir lu cet article, vous aurez une compréhension très intuitive. Cet article présente principalement une compréhension simple de ce qu'est un réseau neuronal, qui a une certaine valeur de référence. Les amis dans le besoin peuvent s'y référer.

Commençons par un exemple de prévision du prix de l’immobilier. Parce que les prix de l'immobilier sont tellement chers maintenant, mes parents m'ont demandé d'acheter une maison à Pékin il y a 8 ans. Je sentais que je ne pouvais pas compter sur ma famille, alors j'ai refusé. Je l'ai acheté à ce moment-là. Il n'est pas nécessaire d'écrire un blog maintenant~~

On dit que les prix des logements sont spéculés par les Chinois eux-mêmes, mais en plus de la spéculation. , il existe encore des facteurs réels qui affectent les prix des logements. En analysant ces facteurs, nous pouvons prédire les prix des logements grâce à l'analyse. Supposons que vous disposiez d'un ensemble de données (taille et prix de six maisons). Vous voulez trouver un moyen (c'est-à-dire créer une fonction) de prédire le prix à partir d'une zone. Si vous êtes familier avec la régression linéaire (peu importe si vous n'êtes pas familier, considérez-la simplement comme une théorie mathématique), alors vous pouvez tracer une ligne droite près des données réelles basées sur cette théorie, comme la ligne rouge dans l'image ci-dessus, et la ligne bleue à proximité. Les petits cercles représentent les points où la superficie des six maisons correspond au prix de la maison, c'est-à-dire qu'en utilisant cette ligne (cette fonction) pour trouver le prix de la maison correspondant à un. Dans certains domaines, il est fondamentalement précis, à l'exception de quelques erreurs. De plus, nous savons que le prix ne sera jamais négatif, à moins que vous ne soyez un gangster, occupant la maison d'autrui et demandant aux autres de vous donner de l'argent. Par conséquent, lorsque la zone est nulle, le prix est également nul, donc la ligne droite ci-dessus fait un tour. Vous pouvez considérer la fonction ci-dessus qui prédit le prix en fonction de la zone comme un réseau de neurones très simple (c'est presque le réseau de neurones le plus simple). Comme le montre l'image de droite, le cercle jaune est un neurone et la taille de la maison est x. Il entre dans ce neurone en entrée, puis le neurone produit le prix de la maison y.

Dans la littérature relative aux réseaux neuronaux, vous verrez souvent cette fonction (la ligne rouge ci-dessus). Cette fonction est à 0 pendant un certain temps puis décolle brusquement et monte en flèche. C'est ce qu'on appelle une fonction unitaire linéaire (ReLU, nom complet : unité linéaire rectifiée). Ce n’est pas grave si vous ne le comprenez pas maintenant, vous le comprendrez plus tard !

L'exemple ci-dessus d'utilisation de la zone pour prédire les prix des logements est un réseau neuronal avec un seul neurone extrêmement petit. En empilant plusieurs de ces neurones, un réseau neuronal plus grand peut être formé. Vous pouvez considérer un neurone comme un élément de base et vous pouvez obtenir un réseau neuronal plus vaste en empilant plusieurs de ces éléments de base. Quant à l'exemple des prix des logements, comme le montre la figure ci-dessus, les facteurs qui affectent les prix des logements ne sont pas seulement la superficie, mais aussi le nombre de chambres, par exemple. Outre la taille, le nombre de chambres détermine également si la maison convient à votre famille, par exemple si 3 ou 5 personnes vivent dans la maison. Un autre facteur est le code postal. Le code postal représente ici la situation géographique. Si la situation géographique est prospère, la vie sera plus pratique. Ensuite, un autre facteur est le niveau de qualité de l’école, connu sous le nom de district scolaire Fangyi en Chine. Ces facteurs sont également appelés caractéristiques. En fonction de la superficie et du nombre de chambres, on peut estimer si cela correspond à la taille de la famille. En vous basant sur le code postal, vous pouvez estimer la commodité de vivre, y compris la commodité de se rendre à l'école. Enfin, la notation scolaire peut évaluer la qualité de l'éducation. Les gens prendront en compte ces quatre facteurs lors de l’achat d’une maison, c’est-à-dire qu’ils détermineront le prix, et bon sang, ignorons le facteur de battage médiatique pour l’instant. Ainsi, dans cet exemple, x représente ces 4 entrées, et y est le prix à prédire. L'image de gauche ci-dessus représente notre processus d'analyse manuelle. Nous analysons les intrants qui affecteront l'adéquation de la taille de la famille, du confort de vie et de la qualité de l'éducation, puis arrivons au prix en tête. Ce qui est magique avec les réseaux de neurones, c'est qu'il suffit de fournir l'entrée x (superficie, nombre de chambres...) et le résultat souhaité y (prix de la maison), ainsi que les données réelles utilisées pour la formation (la superficie de ​​les six maisons ci-dessus, le nombre de chambres) ... et le prix), alors la taille de la famille, le confort de vie et la qualité de l'éducation dans la partie médiane seront obtenus par le réseau neuronal lui-même sur la base d'un entraînement de données réel, comme indiqué sur la droite. Lorsque vous saisirez à nouveau les caractéristiques de la septième maison (zone, code postal...), ce réseau de neurones vous donnera le prix final de la maison en fonction de la partie médiane préalablement formée. Autrement dit, le processus interne du réseau neuronal remplace le processus d'analyse humain. Pour donner un autre exemple, lorsque nous apprenons aux enfants les chats, nous amenons des chats blancs et leur disons que ce sont des chats, puis nous amenons des chats noirs et leur disons que ce sont aussi des chats, puis nous amenons des chiens et leur disons que ce sont des chats. Ce n'est pas un chat. Enfin, amenez des chats tigrés et demandez-lui. Il vous dira que ce sont des chats, mais comment le sait-il ? À quoi ressemble le processus de jugement intermédiaire ? Nous ne le savons pas. C'est pourquoi les réseaux de neurones font peur - ils fonctionnent tellement comme les humains - nous ne savons pas comment ils fonctionnent en interne, c'est-à-dire que nous ne savons pas ce qu'ils pensent, tout comme nous ne connaissons pas un enfant. différence entre les chats et les chiens en particulier. Musk a raison lorsqu’il dit que l’intelligence artificielle est dangereuse et peut détruire l’humanité.

Les neurones de la partie médiane mentionnés ci-dessus sont appelés neurones cachés. Vous avez peut-être remarqué que dans le réseau neuronal de droite, chaque neurone caché reçoit toutes les entrées de fonctionnalités. L'image de gauche est notre processus d'analyse humaine. Nous avons analysé que les deux caractéristiques de la superficie et du nombre de chambres sont liées à la taille de la famille. Dans l'image de droite, nous fournissons toutes les caractéristiques de chaque neurone caché et laissons. le réseau neuronal lui-même Pour analyser quelles caractéristiques affecteront les prix des logements sous quels aspects. Peut-être que l'analyse des réseaux de neurones est plus efficace et complète que celle des humains. J'ai vu une nouvelle avant que le réseau de neurones de Facebook ait inventé une méthode de communication parce qu'il estimait que la communication en langage humain était trop inefficace ~~

Recommandations associées. :

Comment utiliser Python pour implémenter un réseau neuronal à deux couches et un modèle de perceptron

Explication détaillée de la base théorique des réseaux neuronaux et Méthodes d'implémentation Python

Explication graphique et textuelle détaillée d'un algorithme de réseau neuronal simple implémenté en JavaScript

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!