Sztuczne sieci neuronowe Wprowadzenie Grzegorz Sztorc ETI 9.1 25.01.2007 Przepływ informacji w systemie nerwowym Centralny system nerwowy wewnętrzne sprzęŜenie zwrotne Receptory Efektory Narządy sensoryczne Narządy motoryczne zewnętrzne sprzęŜenie zwrotne 1 Czym jest sztuczna sieć neuronowa? • to system symulujący pracę ludzkiego mózgu • uproszczony model biologicznego systemu nerwowego • posiada zdolność kojarzenia, rozpoznawania, przewidywania i sterowania Mózg Składa się z komórek nerwowych zwanych neuronami 2 Budowa i działanie mózgu • Objętość: 1400 cm3 • Powierzchnia: 2000 cm2 • Liczba neuronów: ok.100 miliardów (1011) • Liczba połączeń między komórkami: 1015 przy przeciętnym dystansie od 0.01 mm do 1 m • Komórki nerwowe wysyłają i przyjmują impulsy o: częstotliwości: 1-100 Hz czasie trwania: 1-2 ms 1-100 m/s szybkości propagacji: • Szybkość pracy mózgu: 1018 operacji/s Fragment systemu neuronowego Neuron to: • komórka nerwowa • podstawowy składnik sieci neuronowej 3 Budowa i funkcjonowanie neuronu biologicznego Szczegółowy model sztucznego neuronu Wejścia • • • • • Wagi Blok sumujący Blok aktywacji Wyjście WEJŚCIA to dendryty WAGI to cyfrowe modyfikacje sygnałów przez synapsy BLOK SUMUJĄCY to jądro BLOK AKTYWACJI to wzgórek aksonu WYJŚCIE to akson 4 Model neuronu w terminologii informatycznej Sygnały wejściowe (synapsy) PRZETWORNIK (ciało komórki) Sygnały wyjściowe (akson) • Mózg – równoległy system złoŜony z około 1011 procesorów • KaŜdy procesor ma bardzo prosty program i oblicza waŜoną sumę danych wejściowych pochodzących od innych procesorów, zwraca jedną liczbę będącą funkcją tej sumy. • Liczba ta przesyłana jest do innych procesorów i przez nie przetwarzana w podobny sposób (np. z róŜnymi funkcjami) • DuŜa gęstość połączeń oznacza, Ŝe błędy niewielkiej liczby składników będą prawdopodobnie mało znaczące. Historia • 1943 – model sztucznego neuronu McCullocha i Waltera Pittsa • 1958 – pierwsza sztuczna sieć neuronowa i pierwszy neurokomputer Mark I Perceptron • 1960 – Liniowe sieci neuronowe Adaline • 1969 – Minsky i Papert dowodzą na temat problemów sieci jednowarstwowych • 1974 – nowa metoda uczenia się – propagacji wstecznej Werbos’a • 1987 – San Diego, pierwsze konferencja na temat sieci neuronowych 5 Model neuronu McCullocha-Pittsa (1943) • dyskretne chwile czasu • budowa dowolnie skomplikowanego urządzenia cyfrowego Pierwszy neurokomputer Mark I (1958) 6 Rodzaje neuronów i sieci Neurony liniowe Neurony nieliniowe: • dyskretne (formalne) • ciągłe Sieci jednokierunkowe: • jednowarstwowe i wielowarstwowe Sieci rekurencyjne • jednowarstwowe i wielowarstwowe Sieć jednokierunkowa jednowarstwowa Warstwa wejściowa Warstwa wyjściowa 7 Sieć jednokierunkowa wielowarstwowa Warstwa wejściowa Warstwy ukryte Warstwa wyjściowa Sieć rekurencyjna jednowarstwowa sieć z jedną warstwą neuronów (wyjściową) sygnały wyjściowe neuronów tworzą jednocześnie wektor wejściowy dla następnego cyklu brak spręŜenia zwrotnego 8 Sieć rekurencyjna dwuwarstwowa neurony 1…M stanowią warstwę wyjściową sieci neurony 1…K stanowią warstwę ukrytą sieci wektor wejściowy: sygnały wejściowe (x), sygnały wyjściowe warstwy ukrytej i wyjściowej Uczenie z nauczycielem (nadzorowane) Nauczyciel podaje: wzorcowe obiekty na wejściu oczekiwane wartości na wyjściu Sieć: uczy się wzorców „na pamięć” nabywa zdolność uogólniania wiedzy (rozpoznawanie podobnych obiektów) zmienia wartości wag w celu dopasowania swojego działania do wzorców (nauczonych wyników) 9 Uczenie bez nauczyciela (bez nadzoru) brak wzorcowych wag (sieć generuje je losowo) sieć odbiera sygnał wejściowy i na jego podstawie wyznacza swoje wyjście sieć ocenia wartość na wyjściu kaŜdego neuronu warstwy wyjściowej wagi poszczególnych neuronów zmieniane są zgodnie z określonymi w danej metodzie zasadami Zalety i wady sztucznych sieci neuronowych Zalety: nie wymagają programowania są odporne na uszkodzenia zdolność do uogólniania (uczenia się) Wady: są mało precyzyjne brak „rozumowania” wieloetapowego 10 KONIEC 11