1. Структура нейросети.
Нейросети основаны на распространении дополнительных элементов, называемых нейронами, которые организованы в составе. К основным компонентам нейросети относятся:
Входной уровень: это первый уровень нейросети, который принимает входные данные. Каждый нейрон во входном приложении соответствует одному признаку (фиче) входной информации. Например, в задаче по получению изображений каждый пиксель изображения может быть представлен нейроном.
Скрытый слой: После входного слоя могут располагаться один или несколько скрытых слоев. Эти остатки содержат нейроны, которые обрабатывают данные, применяя их к различным преобразованиям. Скрытые разрешения позволяют нейросетям выявлять сложные закономерности и в зависимости от данных. Чем больше скрытых слоев, тем глубже нейросеть, и тем более сложную задачу она может решить. Это привело к созданию термина «глубокое обучение».
Выходной слой: Этот слой представляет собой окончательный результат работы нейросети. В зависимости от задачи, выходной слой может сохранять один или несколько нейронов. Например, в задаче классификации изображений на несколько классов каждый нейрон в выходном слое может стоять на стойке для посуды в спокойном классе.
2. Как работает нейросеть?
Принцип работы нейросети можно описать следующими этапами:
Инициализация: При запуске нейросети ее вес (параметры, которые определяют, насколько сильно каждый нейрон влияет на каждый нейрон) создается случайным образом.
Прямой проход: Когда нейросеть получает входные данные, она проходит через все ступени, выполняя вычисления. Каждый нейрон в скрытых и выходных слоях принимает входные данные, умножает их на вес и применяет результат к активации активации, что добавляет нелинейность в модель. Это позволяет нейросетям обучаться построению шаблонов.
Обратное распространение (обратное распространение ошибки): После того, как нейросеть сгенерировала выходные данные, она сравнивает их с истинными значениями (метками) и вычисляет ошибку (разницу между предсказанными и истинными значениями). Затем эта ошибка передается обратно через сеть, и вес обновляется с использованием алгоритма оптимизации (например, стохастического градиентного снижения). Этот процесс повторяется многократно, что позволяет нейросетям улучшать свои предсказания.