Wat is een neuraal netwerk?

In een typische computer, gemaakt volgens wat een von Neumann -architectuur wordt genoemd, wonen geheugenbanken in een geïsoleerde module.Er is slechts één processor, die instructies en geheugen een voor een herschrijft, met behulp van een seriële architectuur.Een andere benadering van computergebruik is het neurale netwerk.In een neuraal netwerk, bestaande uit duizenden of zelfs miljoenen individuele neuronen of knooppunten, is alle verwerking zeer parallel en gedistribueerd.Herinneringen worden opgeslagen binnen de complexe verbindingen en wegingen tussen knooppunten.

Neurale netwerken is het type computerarchitectuur dat wordt gebruikt door dierenhersenen in de natuur.Dit is niet noodzakelijk omdat het neurale netwerk een inherent superieure verwerkingswijze is dan serieel computergebruik, maar omdat een hersenen die serieel computergebruik gebruikt veel moeilijker zou zijn om stapsgewijs te evolueren.Neurale netwerken hebben ook de neiging om lawaaierige gegevens beter te behandelen dan seriële computers.

In een Feedforward neuraal netwerk neemt een invoerlaag gevuld met gespecialiseerde knooppunten informatie op en stuurt vervolgens een signaal naar een tweede laag op basis van de informatie die het van buitenaf heeft ontvangen.Deze informatie is meestal een binair ja of nee signaal.Laag die resultaten weergeeft op een scherm voor programmeurs om te analyseren.Het menselijke netvlies werkt op basis van neurale netwerken.Eerste niveau knooppunten detecteren eenvoudige geometrische functies in het gezichtsveld, zoals kleuren, lijnen en randen.Secundaire knooppunten beginnen meer geavanceerde functies te abstraheren, zoals beweging, textuur en diepte.De uiteindelijke uitvoer is wat ons bewustzijn registreert als we naar het gezichtsveld kijken.De eerste invoer is slechts een complexe opstelling van fotonen die weinig zou betekenen zonder de neurologische hardware om het te begrijpen in termen van zinvolle kwaliteiten, zoals het idee van een blijvend object.

In backpropagerende neurale netwerken kunnen output van eerdere lagen van eerdere lagen kunnenKeer terug naar die lagen om verdere signalen te beperken.De meeste van onze zintuigen werken op deze manier.De initiële gegevens kunnen een goed opgeleide gok veroorzaken bij het eindresultaat, gevolgd door het bekijken van toekomstige gegevens in de context van die goed opgeleide gok.In optische illusies maken onze zintuigen opgeleide gissingen die verkeerd blijken te zijn.

In plaats van algoritmisch neurale netwerken te programmeren, moeten programmeurs een neuraal netwerk configureren met training of delicate afstemming van individuele neuronen.Het trainen van een neuraal netwerk om gezichten te herkennen, zou bijvoorbeeld veel trainingsruns vereisen waarin verschillende facelike en ongerechtbare objecten aan het netwerk werden getoond, vergezeld van positieve of negatieve feedback om het neurale netwerk te overhalen om herkenningsvaardigheden te verbeteren.