Многослойные нейронные сети и их особенности работы
Именно многослойные нейросети сегодня пользуются наибольшим спросом, потому что они позволяют выполнять такие функции и проводить такие вычисления, которые для однослойных сетей (персептронов) уже невозможны. Когда сегодня говорят о развитии нейросетей, почти во всех случаях имеются в виду многослойные сети.
Устройство многослойной нейросети
В однослойной нейросети существует три уровня нейронов:
• Входной.
• Суммирующий (вычислительный).
• Выходной.
В многослойной сети всё то же самое, только суммирующих слоёв больше одного.
Казалось бы, отличие незначительное, однако оно огромно. Во-первых, «больше одного» – это от двух до миллиарда, как в случае с головным мозгом человека. Во-вторых, важнейшее значение приобретает конфигурация нейросети и то, каким образом разные её слои взаимодействуют друг с другом.
Общая закономерность такова: чем более простой и понятной является нейросеть (возьмём в качестве примера персептрон, самую элементарную), тем меньше её возможности. Чем хаотичнее сеть и чем сложнее понять принцип её работы, тем она мощнее. Мозг человека здесь является самым ярким случаем.
Виды многослойных нейросетей
Прямая нейросеть является наиболее простой. В ней сигнал поступает на входные нейроны, а затем передаётся по всей цепочке до выходных. Несмотря на то, что такая сеть может быть большой и разветвлённой, путь от входа до выхода проходит по прямой линии.
Рекуррентная нейросеть подразумевает, что какие-то сигналы с суммирующих нейронов снова направляются на входные. Другими словами, промежуточные результаты работы снова «загружаются» в раздел «дано» и могут впоследствии влиять на то, какие результаты даст обработка всей задачи.
Радиально-базисная нейросеть имеет ту особенность, что сигнал с выхода каждого нейрона может отправиться на один из множества других нейронов. При этом такая сеть имеет радиальный (в форме сектора круга) вход, но линейный выход. Опыт показывает, что такие сети обучаются быстрее других.
Самоорганизующаяся нейросеть – наиболее сложная. Она обладает способностью выявлять новизну в поступающих данных, если какой-то сигнал не похож ни на какие предыдущие. Благодаря этому она обучается без «учителя», то есть специальной настройки и отладки. Сегодня такие сети используются сравнительно редко, как наиболее сложные. Но несомненно, что будущее – именно за ними.
