Nasladowanie_zywego_..
advertisement
Naśladowanie żywego mózgu w komputerze Ryszard Tadeusiewicz AGH informatyka + 1 Naśladując w komputerze ludzki mózg staramy się połączyć zalety komputera (dostępność i szybkość działania) z zaletami mózgu (zdolność do uczenia się) informatyka + 2 Badacze zbudowali wiele systemów technicznych, naśladujących w komputerze ludzki mózg. Najbardziej pożyteczne okazały się sieci neuronowe. informatyka + 3 Jak doszło do zbudowania sieci neuronowych? informatyka + 4 Co chcemy osiągnąć naśladując w komputerze ludzki mózg? • • Rozwiązać zadania, dla których nie potrafimy podać gotowych algorytmów ich rozwiązywania. Przykładem zadania, które jest pozornie bardzo łatwe, a dla którego nikt nie umie podać algorytmu, jest automatyczne rozpoznawanie ludzi Janek! Zosia ??? informatyka + 5 Nieznajomość reguł rządzących problemem Kiedy sieci neuronowe są lepsze od innych metod informatycznych? Częściowy lub całkowity brak znajomości reguł Duża złożoność Modele statystyczne Systemy ekspertowe Metody dedukcyjne Dokładne algorytmy Częściowa znajomość reguł Mała i średnia złożoność Sieci neuronowe Metody indukcyjne Pełna znajomość reguł Mała i średnia złożoność Stopień złożoności problemu informatyka + 6 Dane reprezentujące zadanie do wykonania Wiedza zdobyta w czasie uczenia Sposób rozwiązywania problemów przy użyciu sieci neuronowej informatyka + Wynik reprezentujący rozwiązanie zadania 7 Naśladując w komputerze ludzki mózg staramy się wzorować na jego budowie informatyka + 8 Naśladując w komputerze ludzki mózg budujemy sieci neuronowe z elementów, których działanie jest wzorowane na funkcjonowaniu biologicznych neuronów. informatyka + 9 Budując sztuczne neurony, z których tworzyć będziemy sieci neuronowe, staramy się w nich odwzorować elementy biologicznych neuronów. informatyka + 10 Sztuczne neurony posiadają jedynie najpotrzebniejsze cechy biologicznych neuronów. informatyka + 11 Sztuczne neurony muszą także naśladować funkcjonowanie biologicznych neuronów. Trzeba wprowadzić wagi x1 x2 xn w1 w2 ... wn To jest sztuczny s Jakg zróżnicować wi , xi te sygnały? neuron. y f s i 1,, n Jakie ma zadania ? y obliczenie wartości funkcji aktywacji agregacja danych wejściowych informatyka + 12 Agregacja sygnałów wejściowych jest raczej łatwa do przeprowadzenia. Jak wspomniano wyżej, jest to zwykle po prostu sumowanie. Funkcja aktywacji też jest łatwa do zrozumienia, więc ograniczymy się do pokazania jej przykładowego kształtu (poniżej). β=0,5 β=1 β=2 1 y 0,8 0,6 0,4 0,2 S 0 -10 -5 0 informatyka + 5 10 13 Kwestia wag różnicujących wejścia do neuronu informatyka + 14 Załóżmy, że oceniany kwiat ma ładny kolor, ale brzydki zapach. neuron wyśle na wyjściu sygnał, że kwiat mu się podoba do sygnału wejściowego „zapach” przypiszemy małą wagę a do sygnału „kolor” wagę dużą informatyka + 15 Przy przeciwnym rozłożeniu wag wynik jest odwrotny informatyka + 16 Wagi mają przemożny wpływ na zachowanie neuronów! Przy tym samym zestawie sygnałów wejściowych mamy dwie całkiem różne reakcje neuronu! informatyka + 17 Schemat zbierający razem właściwości sztucznego neuronu informatyka + 18 Pytanie, które sobie teraz trzeba postawić, brzmi: Jak połączyć sztuczne neurony, żeby powstała użyteczna sieć? informatyka + 19 W historii rozwoju modeli komputerowych elementów systemu nerwowego tworzono i badano wiele różnych struktur sieci. Okazało się jednak, że struktura sieci ma mniejszy wpływ na jakość jej działania, niż proces uczenia. Dlatego współczesne sieci neuronowe buduje się z reguły z neuronów układanych w warstwy, bo tak jest najwygodniej. informatyka + 20 Oto przykładowa sieć z jej wszystkimi ważnymi elementami Warstwa wejściowa Warstwa ukryta (jedna lub dwie) Warstwa wyjściowa x1 y x2 Ciekawostka: podobną budowę ma kora mózgowa w części wzrokowej ! informatyka + 21 Teoretycznie twórca sieci może wybrać dowolnie wszystkie jej elementy Warstwa wejściowa Warstwa ukryta (jedna lub dwie) Warstwa wyjściowa x1 y x2 informatyka + W rzeczywistości jednak swoboda twórcy sieci jest ograniczona, bo liczba neuronów w warstwie wejściowej wynika z liczby posiadanych danych, a wielkość warstwy wyjściowej zależy od tego, jakie chcemy dostać wyniki. 22 Jakość działania sieci Q Twórca sieci neuronowej może więc głównie mieć wpływ na liczbę neuronów ukrytych n. Decyduje ona o jakości działania sieci Q. inteligencja nie zależy od wielkości sieci sieć jest zbyt mało inteligentna Liczba neuronów ukrytych n informatyka + 23 W zasadzie można by było na tym poprzestać, popatrzmy jednak, co się stanie, kiedy zamienimy n na m oraz Q na IQ. IQQ Wykres ten przedstawia teraz znaną z psychologii zależność miary inteligencji człowieka (IQ to tzw. iloraz inteligencji) w zależności od masy jego mózgu m ! n m informatyka + 24 Przedstawione ogólne reguły wskazujące na niekorzystne skutki używania zarówno za małej, jak i za dużej sieci, potwierdzają wyniki przykładowego eksperymentu 100 Błąd 90 80 70 60 50 40 30 20 10 0 2 4 6 8 10 12 14 16 18 20 Liczba neuronów ukrytych informatyka + 25 Mając zaprojektowaną sieć neuronową, to znaczy wiedząc, z jakich elementów jest ona zbudowana (sztuczne neurony), ile tych elementów trzeba zastosować i jak te elementy są połączone pomiędzy sobą – można się zastanowić, jak tę sieć zrealizować. informatyka + 26 W najwcześniejszych pracach dotyczących budowy sieci neuronowych chętnie stosowano urządzenia elektroniczne, które modelowały sieć. informatyka + 27 Obecnie jeśli do budowy sieci neuronowych stosowane urządzenia elektroniczne (a są stosowane rzadko), to występują w postaci specjalizowanych układów scalonych. informatyka + 28 Najczęściej jednak do budowy sieci neuronowych wykorzystuje się program komputerowy, który w zwykłym komputerze modeluje sieć. Mam program, więc działam jak sieć neuronowa Mogę wykonywać wszelkie obliczenia tak jakbym miał specjalnie zbudowaną sieć! informatyka + 29 Nazwy i logo przykładowych programów modelujących sieci neuronowe informatyka + 30 Wygląd ekranu komputera modelującego sieć neuronową informatyka + 31 Przystąpimy teraz do omówienia procesu uczenia sieci neuronowych. informatyka + 32 Maksymalnie uproszczony schemat procesu uczenia. Podstawą procesu uczenia jest zbiór przykładowych danych wraz z rozwiązaniami To on jest podstawą uczenia sieci W przykładzie zbiór zawiera wizerunki osób, które sieć ma się nauczyć rozpoznawać Wizerunek rozpoznawanej osoby podawany jest na wejście sieci Sieć na tej podstawie usiłuje podać własne rozwiązanie zadania (identyfikacje osoby) W zbiorze uczącym są informacje o tym, jak naprawdę nazywa się osoba na zdjęciu Porównanie odpowiedzi sieci z prawidłowym rozwiązaniem pozwala wyznaczyć błąd sieci Uczenie prowadzone jest tak, żeby zminimalizować wartość błędu. Ewa Jan informatyka + korekta błędu 33 Skąd wiemy, w jaki sposób zmieniać parametry sieci (wartości wag), żeby uzyskać efekt zmniejszania błędu? Zachowanie sieci jest wypadkową zachowania wszystkich jej neuronów, zaś zachowanie poszczególnych neuronów można uzależnić od wartości wag występujących w tych neuronach. informatyka + 34 Przypomnijmy sobie: Wagi mają przemożny wpływ na zachowanie neuronów! Przy tym samym zestawie sygnałów wejściowych mamy dwie całkiem różne reakcje neuronu! informatyka + 35 Jeśli ustalimy wszystkie wagi we wszystkich neuronach całej sieci, a potem pokażemy sieci wszystkie zadania ze zbioru uczącego to wyznaczymy łączny błąd, popełniany przez sieć dla tych zadań. Dla różnych zestawów wag – otrzymamy różne wartości błędu. Wielkość błędu popełnianego sieć popełnia taki duży błąd przez sieć E Gdybyśmy takie strzałki wystawiali we wszystkich punktach granatowej płaszczyzny podstawy – to powstałaby powierzchnia, nazywana powierzchnią błędu, której za sieć popełnia chwilę użyjemy taki mały do wyznaczenia błąd sposobu uczenia. Drugi współczynnik wagowy w2 Pierwszy współczynnik wagowy w1 przy takim zestawie wag informatyka + a przy takim zestawie wag 36 Na rysunku pokazano przykładową powierzchnię błędu (szara) oraz Błąd Istota uczenia polega na szukaniu miejsca (zestawu wag określonego jako wideal), w którym błąd jest minimalny minimum funkcji błędu ws waga w1 wn wideal. waga w2 w informatyka + 37 Szczegółowe algorytmy uczenia wbudowane są zwykle w programy symulujące sieci neuronowe na komputerze. informatyka + 38 Sieci neuronowe mają wiele zastosowań. Pokażemy tylko dwa z nich. informatyka + 39 Zastosowanie 1: Tworzenie modelu procesu Sieci neuronowe często są używane do modelowania różnych procesów. Przykład: Wyobraźmy sobie, że chcemy przewidzieć, jaką cenę osiągnie na wolnym rynku określone mieszkanie. Nie mamy gotowych reguł (bo nikt ich nie zna), ale możemy użyć jako zbioru uczącego opisu wcześniejszych transakcji kupna-sprzedaży. Na wejściu sieci są dane dotyczące mieszkania, a sieć ma podać jego cenę. powierzchnia, garaż, wiek, ogrzewanie, położenie, piętro, .... informatyka + Cena rynkowa 40 Zastosowanie 2: Podejmowanie decyzji. Sieci neuronowe często wspomagają podejmowanie decyzji. Przykład: W banku trzeba zdecydować, czy przyznać konkretnemu klientowi pożyczkę, czy lepiej nie? Jak się nie pożyczy pieniędzy uczciwemu klientowi, to bank nie zarobi. Ale jak się pożyczy nieuczciwemu, to bank poniesie stratę. Nie wiadomo, po czym poznać nieuczciwego, ale można dać sieci jako zbiór uczący informacje o wszystkich udzielonych pożyczkach, tych udanych i nie. Sieć się sama nauczy rozpoznawać nieuczciwych i może nam radzić. dochody, zabezpieczenie, wiek, stan cywilny, oszczędności, zatrudnienie .... ? przyznać czy nie przyznać ? informatyka + ? 41 Uwagi końcowe informatyka + 42 Sieci neuronowe powstały w wyniku procesu twórczego przeciwnego do tego, który doprowadził do powstania typowych komputerów. Komputery powstały bowiem w taki sposób, że stosunkowo proste (początkowo) urządzenia przeznaczone do mechanizacji obliczeń: liczydła, suwaki, kalkulatory itd. poddano procesowi intensywnego doskonalenia, dzięki czemu powstały znane nam obecnie systemy informatyczne, o ogromnych możliwościach, ale też niezwykle skomplikowane. informatyka + 43 W sieciach neuronowych było przeciwnie: Za punkt wyjścia przyjęto niesłychanie skomplikowany twór, jakim jest mózg i podjęto próbę modelowania jego struktury i właściwości za pomocą opisów, które w miarę ich doskonalenia stawały się coraz prostsze. Obecnie używane sieci neuronowe są tak bardzo uproszczone, że każdy może zrozumieć ich budowę i działanie, a jednocześnie zachowały one tyle właściwości oryginalnego mózgu, że potrafią się bardzo inteligentnie zachowywać. informatyka + 44 Na koniec jedna uwaga: Prawdziwy mózg jest tyle razy większy (w sensie liczby elementów) od typowej sieci neuronowej, ile razy większa jest średnica Ziemi od główki szpilki. Warto to wiedzieć! 100 000 000 000 neuronów! informatyka + 45
