Վիքիպեդիա

Բազմաշերտ պերցեպտրոն

Բազմաշերտ պերցեպտրոնը հոսքային արհեստական նեյրոնային ցանցի դաս է։ Բազմաշերտ պերցեպտրոնը բաղկացած է հանգույցների առնվազն երեք շերտերից՝` մուտքային հանգույցների հավաքածուներ, որոնք կազմում են մուտքային շերտը, հաշվարկային նեյրոնների մեկ կամ ավելի թաքնված շերտեր, նեյրոնների մեկ ելքային շերտ։ Բացառությամբ մուտքային հանգույցների, յուրաքանչյուր հանգույց նեյրոն է, որն օգտագործում է ոչ գծային ակտիվացման ֆունկցիա։ Բազմաշերտ պերցեպտրոնը նեյրոնային ցանցի համեմատաբար պարզ ձև է, քանի որ տեղեկատվությունն անցնում է միայն մեկ ուղղությամբ։ Այն մտնում է մուտքային հանգույցների միջով և դուրս գալիս ելքային հանգույցներից։ Բազմաշերտ պերցեպտրոնը Ռոզենբլատի պերցեպտրոնի միաշերտ ընկալիչի ընդհանրացում է։ Բազմաշերտ ընկալիչները հաջողությամբ օգտագործվում են մի շարք բարդ խնդիրներ լուծելու համար և ունեն երեք տարբերակիչ առանձնահատկություններ։  

Բազմաշերտ պերցեպտրոնի առանձնահատկությունները խմբագրել

Ցանցի յուրաքանչյուր նեյրոն ունի ոչ գծային ակտիվացման ֆունկցիա

Կարևոր է ընդգծել, որ այդպիսի ոչ գծային ֆունկցիան պետք է լինի հարթ (այսինքն`տարբերվի ամենուր)՝ ի տարբերություն Ռոզենբլատի ընկալիչի մեջ օգտագործվող կոշտ շեմի գործառույթի։ Այս պահանջը բավարարող գործառույթի ամենատարածված ձևը սիգմոիդալն է։ Սիգմոիդալ ֆունկցիայի(չաշխատող հղում) օրինակ է հետևյալ արտահայտությամբ տրված ֆունկցիան՝ 1/(1+(-αY)) որտեղ ալֆան սիգմոիդալ ֆունկցիայի թեքության պարամետրն է։ Այս պարամետրը փոխելով `կարող ենք կառուցել տարբեր կտրուկությամբ գործառույթներ։  

Բազմաթիվ թաքնված շերտեր

Բազմաշերտ պերցեպտրոնը պարունակում է թաքնված նեյրոնների մեկ կամ մի քանի շերտեր, որոնք ցանցի մուտքի կամ ելքի մաս չեն կազմում։ Այս նեյրոնները թույլ են տալիս ցանցին սովորել լուծել բարդ խնդիրներ ՝ մուտքային պատկերից հաջորդականությամբ ձեռք բերելով ամենակարևոր հատկությունները։  

Բարձր կապակցվածություն  

Բազմաշերտ պերցեպտրոնը կապի բարձր աստիճան ունի, որն  իրականացվում է սինապտիկ կապերի միջոցով։ Ցանցի միացման մակարդակի փոփոխությունը պահանջում է փոխել սինապտիկ կապերի կամ դրանց կշիռների բազմությունը։  

Այս բոլոր հատկությունների համադրությունը, փորձից սովորելու կարողության հետ մեկտեղ, ապահովում է բազմաշերտ ընկալիչի հաշվարկման հզորությունը։ Այնուամենայնիվ, այս նույն որակները հանդիսանում են նման ցանցերի վարքի վերաբերյալ ժամանակակից գիտելիքների թերի լինելու պատճառը։ Ոչ գծայնության բաշխված ձևը և ցանցի բարձր կապը զգալիորեն բարդացնում են բազմաշերտ ընկալիչի տեսական վերլուծությունը։

Ընդհանուր առմամբ, բազմաշերտ պերցեպտրոնները լայնորեն օգտագործվում են բազմաթիվ ծրագրերի համար, ինչպիսիք են օրինակների դասակարգումը, ճանաչումը, կանխատեսումը և մոտավորումը։  Նեյրոնային ցանցը փորձում է գտնել կապը մուտքերի և ելքերի միջև `հաշվարկելով դրանց հարաբերական կարևորությունը (կշիռները)։ Այն հաշվարկում և համեմատում է արդյունքները տվյալների փաստացի պատասխանի հետ։

Ռումելհարտի և Ռոզենբլատի պերցեպտրոնների տարբերությւնները խմբագրել

Այն տեսքը, որով ներկայումս  օգտագործվում են բազմաշերտ պերցեպտրոնները,  մշակվել է Դ. Ռումելհարտի կողմից։ Ռումելհարտի պերցեպտրոնը տարբերվում է Ռոզենբլաթի պերցեպտրոնից հետևյալ հատկություններով.

•ոչ գծային ակտիվացման գործառույթի օգտագործումը

•թաքնված շերտերի քանակը մեկից ավելին է (սովորաբար ոչ ավելի, քան երեք)

•մուտքային ազդանշանները երկուական չեն, բայց կոդավորված են [0,1] միջակայքին նորմալացված տասնորդական թվերով

•ելքային ցանցի սխալը սահմանվում է ոչ թե որպես սխալմամբ ճանաչված օրինակների քանակ, այլ որպես մնացորդի որոշ արժեք

•ուսուցումն իրականացվում է ոչ թե սխալը նվազագույնի հասցնելու, այլ ցանցի կշիռները կայունացնելու համար, ինչը խուսափում է գերտաքացումից ։

Աղբյուրներ խմբագրել

Գրականություն խմբագրել

Ստացված է «https://hy.wikipedia.org/w/index.php?title=Բազմաշերտ_պերցեպտրոն&oldid=9078211» էջից