Framåtriktade neurala nätverk

Feedforward-neurala nätverk

Ett feedforward-neuralt nätverk är den enklaste typen av artificiellt neuralt nätverk. I den här arkitekturen flödar data i en riktning, från indatalagret till utdatalagret, utan att flöda tillbaka.

Feedforward-nätverk består av:

• Indatalager: Tar emot rådata.
• Dolda lager: Utför beräkningar och extraherar egenskaper.
• Utdatalager: Producerar det slutliga resultatet.

Varje lager är fullständigt anslutet till nästa lager.

Framåtpropagering är processen där data skickas genom nätverket:

1. Indata multipliceras med vikter och adderas till bias.
2. Aktiveringsfunktioner tillämpas för att införa icke-linjäritet.
3. Utdata beräknas och skickas vidare till nästa lager.

Vi skapar ett enkelt feedforward-nätverk med Python. Nätverket har:

• 2 indataneuroner
• 1 dolt lager med 3 neuroner
• 1 utdataneuron

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)

Träningen innebär att vikter och bias justeras för att minimera felet:

1. Beräkna felet (skillnaden mellan förutsagda och faktiska värden).
2. Använd optimeringsalgoritmer som gradient descent för att uppdatera vikterna.
3. Upprepa processen under flera iterationer (epoker).

Feedforward-nätverk är:

• Enkla och lätta att implementera.
• Effektiva för uppgifter som regression och grundläggande klassificering.
• Beräkningsmässigt effektiva för små datamängder.

Feedforward-nätverk har vissa nackdelar:

• Saknar minne för sekventiella data.
• Har lätt att överanpassas vid små träningsdatamängder.
• Kräver noggrann justering av hyperparametrar som inlärningshastighet.

Feedforward-nätverk används för:

• Medicinsk diagnostik: Förutsägelse av sjukdomar baserat på symtom.
• Bedrägeridetektering: Identifiering av misstänkt aktivitet i finansiella transaktioner.
• Prognoser för aktiekurser: Uppskattning av framtida aktievärden.

I den här lektionen har vi:

• Utforskat strukturen hos och funktionen för feedforward-neurala nätverk.
• Byggt ett enkelt feedforward-nätverk med Python.
• Diskuterat fördelarna och begränsningarna hos denna arkitektur.

Härnäst går vi igenom backpropagation-algoritmen, som gör det möjligt för neurala nätverk att lära sig effektivt genom att optimera vikter och bias.