Jednokierunkowe sieci neuronowe

Jednokierunkowa sieć neuronowa to najprostszy rodzaj sztucznej sieci neuronowej. W tej architekturze dane przepływają w jednym kierunku — od warstwy wejściowej do warstwy wyjściowej — bez zawracania.

Struktura jednokierunkowej sieci neuronowej

Sieci jednokierunkowe składają się z:

• Warstwy wejściowej: Odbiera surowe dane.
• Warstw ukrytych: Wykonują obliczenia i wyodrębniają cechy.
• Warstwy wyjściowej: Generuje wynik końcowy.

Każda warstwa jest w pełni połączona z następną.

Propagacja w przód

Propagacja w przód to proces przekazywania danych przez sieć:

1. Dane wejściowe są mnożone przez wagi, a następnie dodawane są do nich obciążenia.
2. Stosowane są funkcje aktywacji, aby wprowadzić nieliniowość.
3. Obliczany wynik jest przekazywany do następnej warstwy.

Budowanie prostej sieci jednokierunkowej

Utwórzmy prostą sieć jednokierunkową za pomocą języka Python. Sieć ma:

• 2 neurony wejściowe
• 1 warstwę ukrytą z 3 neuronami
• 1 neuron wyjściowy

import numpy as np

# Define weights and biases
weights_input_hidden = np.array([[0.2, 0.8, -0.5], [0.5, -0.91, 0.26]])
bias_hidden = np.array([2, 3, 0.5])
weights_hidden_output = np.array([[0.1], [-0.14], [0.5]])
bias_output = np.array([0.1])

# Input data
inputs = np.array([1, 2])

# Forward pass
hidden_layer = np.dot(inputs, weights_input_hidden) + bias_hidden
output = np.dot(hidden_layer, weights_hidden_output) + bias_output

print("Output:", output)

Trenowanie jednokierunkowej sieci neuronowej

Trening polega na dostosowywaniu wag i obciążeń w celu zminimalizowania błędu:

1. Oblicz błąd (różnicę między wartościami przewidywanymi a rzeczywistymi).
2. Użyj algorytmów optymalizacji, takich jak spadek gradientu, aby zaktualizować wagi.
3. Powtórz ten proces przez wiele iteracji (epok).

Zalety sieci jednokierunkowych

Sieci jednokierunkowe są:

• Proste i łatwe do zaimplementowania.
• Skuteczne w zadaniach takich jak regresja i podstawowa klasyfikacja.
• Wydajne obliczeniowo w przypadku małych zbiorów danych.

Ograniczenia sieci jednokierunkowych

Sieci jednokierunkowe mają pewne wady:

• Nie mają pamięci potrzebnej do obsługi danych sekwencyjnych.
• Są podatne na przeuczenie w przypadku małej ilości danych treningowych.
• Wymagają starannego dostrajania hiperparametrów, takich jak współczynnik uczenia.

Zastosowania w praktyce

Sieci jednokierunkowe są używane do:

• Diagnozowania medycznego: Przewidywania chorób na podstawie objawów.
• Wykrywania oszustw: Identyfikowania podejrzanych działań w transakcjach finansowych.
• Przewidywania cen akcji: Szacowania przyszłych wartości akcji.

Podsumowanie i kolejne kroki

W tej lekcji:

• Poznali Państwo strukturę i działanie jednokierunkowych sieci neuronowych.
• Zbudowali Państwo prostą sieć jednokierunkową za pomocą języka Python.
• Omówili Państwo zalety i ograniczenia tej architektury.

Następnie poznają Państwo algorytm propagacji wstecznej, który umożliwia skuteczne uczenie się sieci neuronowych przez optymalizację wag i obciążeń.