Was sind neuronale Netze und wie funktionieren sie?

| Von

was-neuronales-netzwerk

Wenn Sie mit technischen Informationen auf Augenhöhe bleiben, haben Sie höchstwahrscheinlich die Idee gefunden, Neuronale Netze (auch neuronales Internet genannt).

Im Jahr 2016 zum Beispiel schlug das neuronale Netzwerk AlphaGo von Google einen der besten Go-Spieler der Welt in einer 4 – 1-Serie. YouTube kündigte auch an, dass sie sicherlich neuronale Netze verwenden würden, um seine Videoclips viel besser zu verstehen. Dutzende von verschiedenen anderen Geschichten können einem in den Sinn kommen.

Doch was genau ist ein semantisches Netzwerk? Wie funktioniert es genau? Und warum ist es in der künstlichen Intelligenz so beliebt?

Ein Computer wie ein Gehirn

Moderne Neurowissenschaftler diskutieren normalerweise den Geist als eine Art Computersystem. Semantische Netzwerke beabsichtigen das Gegenteil: ein Computersystem aufzubauen, das wie ein Gehirn funktioniert.

Natürlich haben wir nur ein kurzes Verständnis der unglaublich komplizierten Funktionen des Gehirns, aber durch eine vereinfachte Simulation, wie der Verstand Daten verfeinert, können wir eine Art Computersystem konstruieren, das ganz anders funktioniert als ein gewöhnliches.

Computersystemprozessoren verarbeiten Informationen seriell („in der Reihenfolge“). Sie führen nacheinander zahlreiche Operationen an einer Reihe von Informationen durch. Parallele Verarbeitung („Verarbeitung mehrerer Streams gleichzeitig“) beschleunigt den Computer dramatisch, indem zahlreiche CPUs in der Sammlung verwendet werden.

Im Bild unten ruft die Parallelverarbeitungsinstanz 5 verschiedene Prozessoren auf:

serielle vs parallele Verarbeitung Bildnachweis: ExplainThatStuff

Ein fabriziertes semantisches Netzwerk (so ein Anruf, um es von den tatsächlichen semantischen Netzwerken im Kopf zu unterscheiden) hat einen grundlegend anderen Rahmen. Es ist sehr vernetzt. Dies ermöglicht es, Daten sehr schnell zu verfeinern, aus diesen Daten abzurufen und auch seine ganz eigene Innenstruktur zu aktualisieren, um die Effizienz zu verbessern.

Die hohe Vernetzung hat dennoch erstaunliche Auswirkungen. Neuronale Netze sind beispielsweise sehr gut darin, obskure Muster in Daten zu erkennen.

Die Fähigkeit zu lernen

Die Fähigkeit eines neuronalen Netzes, dies herauszufinden, ist seine größte Härte. Bei der üblichen Computerarchitektur muss ein Programmierer einen Algorithmus entwickeln, der dem Computer sagt, was er mit eingehenden Informationen tun soll, um sicherzustellen, dass das Computersystem die richtige Reaktion ausgibt.

Eine Eingabe-Ausgabe-Aktion kann so einfach sein wie „Wenn der A-Trick gedrückt wird, zeige ‚A‘ auf dem Bildschirm“ oder so kompliziert wie das Ausführen komplizierter Statistiken. Semantische Netzwerke hingegen benötigen nicht die gleiche Art von Formeln. Durch das Ermitteln von Systemen können sie im Wesentlichen ihre eigenen Formeln erstellen, die garantieren, dass sie korrekt funktionieren.

Es ist wichtig zu beachten, dass aufgrund der Tatsache, dass neuronale Netze Softwareprogramme sind, die auf Maschinen erstellt werden, die standardmäßige serielle Verarbeitungshardware verwenden, die aktuelle moderne Technologie immer noch Grenzen auferlegt. Die tatsächliche Konstruktion einer Geräteversion eines neuronalen Netzes ist ein völlig anderes Problem.

Von Neuronen zu Knoten

Da wir die Grundlagen dafür gelegt haben, wie neuronale Netze funktionieren, können wir uns einige der Besonderheiten ansehen. Das Grundgerüst eines synthetischen neuronalen Netzes sieht wie folgt aus:

neuronale Netzarchitektur

Jeder der Kreise wird als „Knoten“ bezeichnet und simuliert ein einzelnes Neuron. Linker Flügel sind Eingabeknoten, in der Mitte versteckte Knoten, sowie rechts Ergebnisknoten.

Ganz grundlegend genehmigen die Eingabeknoten Eingabewerte, die eine binäre 1 oder 0, eine Komponente eines RGB-Farbwerts, die Stellung einer Schachfigur oder etwas anderes sein können. Diese Knoten repräsentieren die Informationen, die direkt in das Netzwerk gestreamt werden.

Jeder Eingangsknoten ist mit einer Reihe von versteckten Knoten verbunden (manchmal mit jedem Überraschungsknoten, gelegentlich mit einem Teil). Eingabeknoten nehmen die erhaltenen Details und geben sie an die verdeckte Ebene weiter.

Zum Beispiel könnte ein Eingangsknoten ein Signal senden („Feuer“, im Sprachgebrauch der Neurowissenschaften), wenn er eine 1 erhält, und weiterhin inaktiv bleiben, wenn er ein Nein erhält. Jeder versteckte Knoten hat eine Grenze: Wenn jeder seiner summierten Eingaben einen bestimmten Wert erreicht, wird er entladen.

Von Synapsen zu Verbindungen

Jedem Link, dem Äquivalent einer anatomischen Synapse, wird außerdem ein besonderes Gewicht verliehen, das es dem Netzwerk ermöglicht, einen stärkeren Fokus auf die Aktion eines bestimmten Knotens zu legen. Hier ist ein Beispiel:

neuronales Nettogewicht

Wie Sie sehen, ist das Gewicht von Link B größer als das von Verbindung An und C. Nehmen wir an, der verborgene Knoten 4 wird einfach beendet, wenn er eine Gesamteingabe von 2 oder höher erhält. Das bedeutet, dass, wenn 1 oder 3 alleine feuern, 4 nicht verursacht werden, aber 1 und 3 zusammen den Knoten sicherlich auslösen würden. Knoten 2 könnte den Knoten ebenfalls alleine über Verbindung B veranlassen.

Nehmen wir die Wetterbedingungen als ein sinnvolles Beispiel. Behaupten Sie, Sie entwerfen ein einfaches neuronales Netzwerk, um herauszufinden, ob ein Wintersturm Vorsicht geboten ist.

Unter Verwendung der obigen Links und auch der Gewichtungen kann Knoten 4 einfach enden, wenn die Temperatur unter 0 F liegt und der Wind über 30 MPH liegt, oder er würde sicherlich enden, wenn die Schneewahrscheinlichkeit mehr als 70 Prozent beträgt. Das Temperaturniveau würde sicherlich direkt in Knoten 1 eingespeist werden, Wind in Knoten 3 und die Schneewahrscheinlichkeit in Knoten 2. Jetzt kann Knoten 4 jeden dieser Faktoren berücksichtigen, wenn er festlegt, welches Signal an die Ergebnisschicht gesendet wird.

Viel besser als einfache Logik

Natürlich könnte diese Funktion nur mit einfachen UND/ODER-Logikeingängen hergestellt werden. Viel kompliziertere neuronale Netze, wie das unten aufgeführte, sind jedoch zu wesentlich komplizierteren Operationen fähig.

Beispiel für ein neuronales Netz Bildnachweis: Semantische Netzwerke und Deep Learning von Michael A. Nielsen

Output-Layer-Nodes funktionieren genauso wie Covert-Layer-Nodes: Ergebnis-Nodes summieren die Eingaben von der Überraschungsschicht, und auch wenn sie einen bestimmten Wert erreichen, feuern die Output-Nodes und senden Detailsignale. Am Ende des Prozesses sendet die Ergebnisschicht eine Reihe von Signalen, die das Ergebnis der Eingabe vorschlagen.

Während das aufgedeckte Netzwerk einfach ist, können tiefe neuronale Netzwerke viele verborgene Schichten sowie zahlreiche Knoten haben.

tiefes neuronales Netz Bildnachweis: Neuronale Netze und auch Deep Learning von Michael A. Nielsen

Fehler Korrektur

Der Prozess ist bisher ziemlich einfach. Doch wohin neuronale Netze tatsächlich strahlen, bleibt herauszufinden. Viele neuronale Netze verwenden ein Verfahren namens Rückausbreitung, die Signale rückwärts mit dem Netzwerk aussendet.

Bevor Programmierer ein neuronales Netzwerk bereitstellen, führen sie es über eine Trainingsphase aus, in der es eine Sammlung von Eingaben mit anerkannten Ergebnissen erhält. Beispielsweise kann ein Entwickler einem neuronalen Netzwerk beibringen, Fotos zu identifizieren. Die Eingabe könnte ein Bild eines Autos und eines Lastwagens sein, und das entsprechende Ergebnis wäre das Wort „Fahrzeug“.

Der Entwickler liefert das Bild als Input und sieht auch, was aus den Ergebnisknoten herauskommt. Wenn das Netzwerk mit „Flugzeug“ antwortet, informiert der Programmierer den Computer, dass es ungenau ist.

Das Netzwerk nimmt danach Änderungen an seinen eigenen Verbindungen vor, indem es die Gewichtungen verschiedener Verbindungen zwischen den Knoten ändert. Diese Aktivität wird durch einen dem Netzwerk hinzugefügten Algorithmus zum Ermitteln von Details unterstützt. Das Netzwerk muss die Verbindungsgewichte neu anpassen, bis es das richtige Ergebnis liefert.

Dies ist eine Vereinfachung, jedoch können semantische Netze mit vergleichbaren Prinzipien sehr komplizierte Operationen herausfinden.

Regelmäßige Verbesserung

Auch nach dem Training geht die Backpropagation weiter – und auch hier liegen neuronale Netze richtig im Trend. Sie müssen bei ihrer Verwendung entdeckt werden, neue Informationen aufnehmen und auch die Gewichtung verschiedener Links anpassen, um am Ende immer effizienter und effizienter bei der Arbeit zu sein, für die sie erstellt wurden.

Dies kann so einfach sein wie eine Fotobestätigung oder so kompliziert wie das Spielen von Go.

Auf diese Weise verändern und verbessern sich neuronale Netze ständig. Und auch dies kann ungewöhnliche Auswirkungen haben, was zu Netzwerken führt, die Dinge priorisieren, auf die sich ein Designer nicht konzentrieren würde.

Zusammen mit dem oben beschriebenen Prozess, der als . bezeichnet wird beaufsichtigtes Verstehen , gibt es ebenfalls eine zusätzliche Methode: unbeaufsichtigt wissen

Unter diesen Umständen nehmen semantische Netzwerke eine Eingabe entgegen und versuchen, sie in ihrem Ergebnis genau nachzubilden, indem sie Backpropagation verwenden, um ihre Verbindungen zu aktualisieren. Dies mag wie ein erfolgloses Training erscheinen, aber auf diese Weise finden Netzwerke heraus, nützliche Funktionen zu entfernen und diese Attribute zu verallgemeinern, um ihre Versionen zu verbessern.

Bedenken hinsichtlich der Tiefe

Backpropagation ist eine wirklich effektive Methode, um neuronale Netze zu instruieren … wenn sie nur ein paar Schichten tief sind. Wenn die Vielfalt der verborgenen Schichten zunimmt, nimmt die Effizienz der Rückausbreitung ab. Dies ist ein Problem für tiefe Netzwerke. Mit Backpropagation sind sie in der Regel nicht zuverlässiger als einfache Netzwerke.

Tatsächlich haben Forscher zu diesem Problem eine Vielzahl von Diensten entwickelt, deren Einzelheiten ziemlich komplex sind und auch über den Umfang dieses Ausgangsartikels hinausgehen. Was viele dieser Optionen versuchen zu tun, ist, vereinfacht ausgedrückt, die Komplexität des Netzwerks zu reduzieren, indem es trainiert wird, um die Daten zu „komprimieren“.

Beschneidung des neuronalen Netzes Bildnachweis: Lied Han

Um dies zu tun, stellt das Netzwerk eine kleinere Anzahl von bestimmenden Merkmalen der Eingabe heraus, was letztendlich in seinen Berechnungen viel effizienter wird. Tatsächlich macht das Netzwerk Verallgemeinerungen und Abstraktionen, ganz ähnlich, was die Leute entdecken.

Nach dieser Erkennung kann das Netzwerk sowohl Knoten als auch Verbindungen bereinigen, die es als weniger wichtig erachtet. Dadurch wird das Netzwerk besonders effektiv und auch das Auffinden wird einfacher.

Semantische Netzwerkanwendungen

Semantische Netzwerke replizieren also, wie das Gehirn lernt, indem sie mehrere Ebenen von Knoten verwenden – Eingabe, verborgene sowie Ausgabe – und sie können sowohl unter überwachten als auch ohne Aufsichtsbedingungen lernen. Komplexe Netze sind in der Lage, zu abstrahieren und zu verallgemeinern, wodurch sie viel effektiver und auch besser auffindbar sind.

Wofür können wir diese bemerkenswerten Systeme verwenden?

Theoretisch können wir neuronale Netze für praktisch alles verwenden. Und Sie haben sie höchstwahrscheinlich verwendet, ohne es zu erkennen. Sie sind beispielsweise bei der Sprach- und ästhetischen Erkennung sehr verbreitet, da sie lernen können, bestimmte Attribute auszuwählen, die Töne oder Bilder gemeinsam haben.

Wenn Sie also Siri fragen, wo die nächste Tankstelle ist, platziert Ihr iPhone Ihre Rede mit einem neuronalen Netzwerk, um herauszufinden, was Sie behaupten. Möglicherweise gibt es ein weiteres semantisches Netzwerk, das die Art von Dingen erkennt, die Sie am wahrscheinlichsten anfordern werden.

Siri-Symbol

Selbstfahrende Autos könnten semantische Netzwerke nutzen, um visuelle Informationen zu verarbeiten und so der Straße zu folgen sowie Unfallvermeidung. Robotik aller Art kann von neuronalen Netzen profitieren, die ihnen helfen, Aufgaben erfolgreich zu erledigen. Computersysteme können Spiele wie Schach, Go und auch Atari-Standards spielen. Wenn Sie jemals mit einem Chatbot gesprochen haben, besteht die Möglichkeit, dass er ein neuronales Netzwerk verwendet, um angemessene Reaktionen zu erzielen.

Die Internetsuche kann erheblich von neuronalen Netzen profitieren, da die hocheffiziente Version mit parallelem Handling viele Daten schnell spinnen kann. Ein semantisches Netzwerk kann außerdem Ihre Vorgehensweisen entdecken, um Ihre Suchergebnisse zu individualisieren oder zu antizipieren, wonach Sie in naher Zukunft am wahrscheinlichsten suchen werden. Diese Prognoseversion wäre sicherlich sehr wichtig für Marketingexperten (und alle anderen, die kompliziertes menschliches Verhalten antizipieren müssen).

Bilderkennung, optische Persönlichkeitserkennung, Börsenvorhersage, Routenfindung, Großdatenhandling, medizinische Kostenauswertung, Absatzprognose, Computerspiel-KI … die Möglichkeiten sind nahezu unbegrenzt. Die Fähigkeit semantischer Netzwerke, Muster zu entdecken, Verallgemeinerungen vorzunehmen und Verhalten effektiv zu antizipieren, macht sie in vielen Situationen wertvoll.

Die Zukunft neuronaler Netze

Semantische Netzwerke haben sich tatsächlich von sehr einfachen Modellen zu hochkomplexen Entdeckungssimulationen entwickelt. Sie sind in unseren Telefonen und Tablets enthalten und führen viele der Weblösungen aus, die wir verwenden. Es gibt viele andere Systeme für maschinelles Lernen.

Semantische Netzwerke sind jedoch aufgrund ihrer Ähnlichkeit (in einer wirklich vereinfachten Methode) mit dem menschlichen Gehirn einige der faszinierendsten. Da wir weiterhin Versionen entwickeln und verfeinern, ist nicht abzusehen, was sie können.

Kennen Sie faszinierende Anwendungen neuronaler Netze? Hast du selbst Erfahrung damit? Was finden Sie an dieser Technologie am faszinierendsten? Teilen Sie Ihre Ideen in den unten aufgeführten Kommentaren mit!

Ein synthetisches neuronales Netzwerk (so genannt, um es von den tatsächlichen neuronalen Netzwerken im Kopf zu unterscheiden) hat einen wesentlich anderen Rahmen. Während das gezeigte Netzwerk einfach ist, können tiefe neuronale Netzwerke viele versteckte Schichten sowie Hunderte von Knoten haben. Unter diesen Umständen nehmen neuronale Netze eine Eingabe und versuchen, sie speziell in ihrer Ausgabe neu zu erstellen, indem sie Backpropagation verwenden, um ihre Verbindungen zu aktualisieren. Backpropagation ist ein sehr effizientes Mittel, um neuronale Netze darzustellen … wenn sie nur ein paar Schichten tief sind. Die Fähigkeit neuronaler Netze, Muster zu entdecken, Verallgemeinerungen vorzunehmen sowie Gewohnheiten erfolgreich zu antizipieren, macht sie in vielen Szenarien wichtig.

Klicken Sie, um diesen Beitrag zu bewerten!
[Gesamt: 0 Durchschnitt: 0]

Andere verwandte Artikel

Wie erkennt Shazam Musik genau?

Haben Sie sich jemals gefragt, wie genau Shazam die Musik, die Sie spielen, „hört“ und sie mit solcher Genauigkeit erkennt?…

Wie jedes Betriebssystem Sie sicher hält

Laufende Systeme sind dafür verantwortlich, dass Programme auf Ihrem Computersystem ausgeführt werden können. Sie trennen die Quellen Ihres Computersystems und…

Wie sieht das Dark Web aus?

Im Gegensatz zu dem in Filmen verbreiteten Missverständnis ist das Dark Web kein verbotenes Werkzeug, das von Hackern verwendet wird….

Schreibe einen Kommentar