na_mo109

سلام.من چند تا سوال در مورد شبکه های عصبی دارم.
1)تفاوت بین تابع آستانه و تحریک و تبدیل چیه؟ تو بیشتر مقاله ها(البته در مورد فیزیک) خوندم که تابع سیگموئید رو انتخاب کردن.این به عنوان چه تابعیه؟
2)چرا بیشتر از توابع پله ای و سیگموئید و تانزانت هیپربولیک استفاده میشه؟(به این دلیل که این توابع بین 0 و 1 هستند؟چرا؟)
3)اصولا شبکه پرسپترون به چه معنیه؟
4)شبکه ها از نظر ساختار به چند دسته تقسیم میشن؟(خطی و پرسپترون درسته؟)اینکه تابع تعریف شده چی باشه،نوع شبکه رو مشخص می کنه؟یا اینکه از چند لایه درست شده باشه؟
5)میشه یک شبکه ساده پرسپترون بدون لایه مخفی و دو ورودی و تابع باینری برای طبقه بندی رو توضیح بدین که دقیقا چی کار میکنه؟ وقتی بهش آموزش میدیم و یک وزن هایی رو به دست میاره، آیا این وزن هارو ثابت نگه میداره برای ورودی های بعد از آموزش؟
ببخشید که خیلی طولانی شد!ما این شبکه هارو تو درسامون نداشتیم خودم خوندم، به همین دلیل شاید سوالام خیلی پیش پا افتاده باشه!
ممنون میشم کمکم کنین.

astudio

سلام
ببینید انها تقریبا پشتش یک جور الهام گرفتن از شبکه های عصبی انسان و سلول های عصبی است.در سلول های عصبی انسان بااستفاده از واکنش هایی شیمیایی و از این قبیل بار در سلول جمع آوری می شود وقتی که سلول می خواهد سیگنالی را بفرستد با استفاده از مکانیزمی این بار را ناگهان در بستر ارتباطی تخلیه می کند و نا گهان شاهد افزایش ولتاژ لحظه ای هستیم.(البته این یک توجیح از نوع عملکرد سلولهای عصبی است) این افزایش از یک حد آستانه ای بالاتر است.همیشه همیشه هم سیگمویید را انتخاب نمی کنند این تابع حالت ساده شده توابعی مثل توابع نمایی است.استفاده از این توابع هم قطعا یکی از دلایلش نر مال بودن آنهاست. شبکه های مختلفی داریم مدل های مختلفی برای شبکه های عصبی ارائه شده.اما برای مثال می تونی به اینجا مراجعه کنی.

__________________

na_mo109

ممنون.
ولی پرسپترون یعنی چی؟نگفتین اون وزن ها رو نگه میداره و وقتی داده جدیدی بهش میدیم روی اون ها اعمال میکنه؟و اینکه تقسیم بندی شبکه به خطی و پرسپترون درسته؟

aminkop

سلام

نام اولین سیستم محاسباتی عصبی Mark I Perceptron بوده که در سال 1957 توسط رزنبلت در دانشگاه کرنل ساخته شده است. هدف این سیستم شبیه سازي شبکیه چشم انسان بوده است.
پرسپترون در حقیقت یک واحد عملیاتی است با همان ساختار ساده که در مثال ها مشاهده می کنید شبکه های عصبی پرسپترون به ویژه پرسپترون چند لایه (MLP) جزو پرکاربردترین شبکه های عصبی هستند. این شبکه ها می توانند یک نگاشت غیر خطی را با دقت دلخواه انجام دهند.(توجه بفرمائید که پرسپترون تک لایه قادر است فقط بصورت خطی مدلسازی کند پس خطی یا پرسپترون صحیح نیست مگر اینکه منظور MLP باشد). وزن ها در زمان تکرار آمورش که مثلا در این شبکه backpropagation (پس انتشار خطا) است بهینه می شوند تا زمان برقراری شرط خاتمه.
بطور کلی هم معمولا شبکه ها بر اساس قوانین یادگیری یا ساختار پیش خور, پس خور و یا ساختار خاص لایه های آنها دسته بندی می شوند.

taha_mokfi

علت استفاده از این توابع برای فعالسازی این است که اگر نمودار تابعی مثل سیگمویئد را مشاهده کنید، خواهید دید که این نمودار در بین بازه صفر و 1 هم رفتارخطی دارد و هم رفتار غیر خطی مثلا در بازه 0.5- تا 0.5 نمودار این تابع تقریبا خطی است و در خارج این بازه نمودار غیر خطی است. این تابع با دارا بودن دو خاصیت -هم خطی هم غیر خطی - باعث می شود هم رفتارها و معادلاتی که باهم رابطه خطی دارند و هم رفتارها و معادلاتی که باهم رابطه غیر خطی دارند در این تابع بتوانند فعالسازی شوند. مثلا شما از تابع y=x نیز می توانید استفاده کنید اما این تابع فقط برای روابط خطی بین متغیرها استفاده می شود و برای متغیرهایی که رابطه غیر خطی دارند اصلا مفید نمی باشد.
پرسپترون ساختاری ساده برای شبکه های عصبی است در حقیقت ساختار هر گره لایه میانی و یا هر گره لایه خارجی پرسپترونی می باشد. اگر توی تصاویر گوگل پرسپترون رو سرچ کنید عکس هر گره و ساختار پرسپترونی رو می تونید پیدا کنید.
البته شبکه های عصبی از لحاظ ساختار بیشتر پرسپترنی هستند اما ساختارهای دیگری نیز وجود داره. در کتاب شبکه های عصبی دانشگاه ماساچوست که من مطالعه کردم از 8 تا 9 نوع شبکه معروف نام برده.
در مورد سوال اخر این سوالی که شما کردین یعنی کل شبکه عصبی رو می خوایین که توضیح داده بشه. به نظرم یه سرچ کوچولو توی اینترنت بکنید مثالهای خوبی پیدا می کنید.
اگر تونستم یه مثال براتون شیر می کنم.