신경망이란 무엇입니까?

von von Neumann 아키텍처에 따라 만들어진 일반적인 컴퓨터에서 메모리 뱅크는 격리 된 모듈에 살고 있습니다.직렬 아키텍처를 사용하여 지침을 처리하고 메모리를 하나씩 처리하는 프로세서가 하나뿐입니다.컴퓨팅에 대한 다른 접근법은 신경망입니다.수천 또는 수백만 개의 개별 뉴런 또는 노드로 구성된 신경망에서 모든 처리는 매우 평행하고 분포되어 있습니다.기억은 노드 간의 복잡한 상호 연결과 가중치에 저장됩니다.neural 신경 네트워킹은 자연의 동물 뇌가 사용하는 컴퓨팅 아키텍처의 유형입니다.신경망이 직렬 컴퓨팅보다 본질적으로 우수한 처리 모드이기 때문에 반드시 일련의 컴퓨팅을 사용하는 뇌가 점진적으로 진화하기가 훨씬 어렵 기 때문입니다.신경망은 또한 직렬 컴퓨터보다 시끄러운 데이터를 더 잘 처리하는 경향이 있습니다.

피드 포워드 신경망에서 특수 노드로 채워진 입력 계층은 정보를 가져오고 외부에서받은 정보를 기반으로 신호를 두 번째 레이어로 보냅니다..이 정보는 일반적으로 이진 예 또는 아니오 신호입니다.때때로, NO에서 예로 이동하려면 노드는 특정 임계 값의 흥분 또는 자극을 경험해야합니다.

데이터는 최종 출력에 도달 할 때까지 입력 계층에서 2 차 및 3 차 층으로 이동합니다.프로그래머가 분석 할 화면에 결과를 표시하는 층.인간 망막은 신경망을 기반으로합니다.첫 번째 레벨 노드는 색상, 선 및 가장자리와 같은 시야에서 간단한 기하학적 기능을 감지합니다.보조 노드는 모션, 텍스처 및 깊이와 같은보다 정교한 기능을 추상화하기 시작합니다.최종 출력은 시야를 볼 때 의식이 등록하는 것입니다.초기 입력은 지속적인 물체에 대한 아이디어와 같은 의미있는 특성으로 이해하기 위해 신경 학적 하드웨어가 없으면 거의 의미가없는 광자의 복잡한 배열 일뿐입니다.추가 신호를 제한하기 위해 해당 레이어로 돌아갑니다.우리의 감각의 대부분은 이런 식으로 작동합니다.초기 데이터는 최종 결과에 대해 교육받은 추측을 자극 한 다음 교육받은 추측의 맥락에서 미래 데이터를 살펴볼 수 있습니다.광학 환상에서, 우리의 감각은 잘못된 것으로 판명 된 교육받은 추측을합니다.예를 들어, 얼굴을 인식하기 위해 신경망을 훈련시키는 데는 다른 얼굴과 같은 객체가 네트워크에 표시되어 긍정적 또는 부정적인 피드백이 동반하여 신경망을 인식 기술을 향상시키기 위해 긍정적 또는 부정적인 피드백을 제공하는 많은 훈련이 필요합니다.