شبکه‌های عصبی به شدت در حال گسترش هستند. به دلیل این گستردگی، نیاز به یک نقشه برای آشنایی با متدها و معماری‌های مختلف، احساس می‌شود. در این پست می‌خواهیم تعداد زیادی از این شبکه‌ها را معرفی کنیم. با کمپنا همراه باشید.

در تصویر زیر تمامی شبکه‌هایی که در این پست مورد بررسی قرار می‌گیرند، نشان داده شده است.

انواع شبکه‌های عصبی

انواع شبکه‌های عصبی

همان‌طور که می‌دانیم، پرسپترون، ساده‌ترین و قدیمی‌ترین مدل برای نورون است. پرسپترون، ورودی‌ها را دریافت دریافت کرده، آن‌ها را باهم جمع می‌کند. سپس این حاصل جمع را از یک activation function عبور داده و نتیجه را به لایه خروجی می‌دهد.

 

انواع شبکه‌های عصبی

شبکه‌های عصبی FF) feed forward) نیز تقریبا شبکه‌هایی قدیمی محسوب می‌شوند. این شبکه‌ها از قوانین زیر مطابعت می‌کنند:

  • تمامی گره‌ها fully connected هستند.
  • هیچ حلقه برگشتی در شبکه وجود ندارد.
  • یک لایه (لایه‌ی پنهان) میان ورودی و خروجی وجود دارد.

در بیش‌تر موارد، این نوع شبکه‌ها توسط الگوریتم‌های پس‌انتشار آموزش داده می‌شوند.

 

انواع شبکه‌های عصبی

شبکه‌های RBF در واقع همان شبکه‌های عصبی feed forward هستند که به جای توابع logistic از توابع  radial basis  به عنوان activation function استفاده می‌شود. اما تفاوت این دو شبکه در چیست؟

توابع logistic، در پاسخ به سوال بله یا خیر، مقادیر ورودی را به بازه صفر تا یک، نگاشت می‌کنند. این توابع برای کلاس‌بندی و تصمیم‌گیری مناسب هستند اما برای مقادیر پیوسته، کارآیی ندارند. در مقابل، توابع radial basis، به سوال چه اندازه از هدف فاصله داریم پاسخ می‌دهند. به همین دلیل در تخمین و کنترل ماشین عملکرد عالی دارند. 

اگر بخواهیم این شبکه را در یک جمله خلاصه کنیم، شبکه‌های عصبی Radial Basis، همان شبکه‌های feed forward هستند و تنها در activation function و کاربرد تفاوت دارند.

 

انواع شبکه‌های عصبی

شبکه‌های عصبی DFF) deep feed forward ) در دهه ۹۰، آغازگر راهی بودند که بعدها منجر به پیدایش مبحث یادگیری عمیق شد. شبکه‌های DFF در واقع همان شبکه‌های FF هستند که بیش از یک لایه پنهان، میان ورودی و خروجی خود دارند. اما برتری این شبکه‌ها نسبت به شبکه‌های FF در چیست؟

هنگام آموزش مدل FF، تنها مقدار کمی از خطا به لایه بعدی منتقل می‌شود. با اضافه شدن لایه‌های بیشتر، شبکه‌های DFF، قادر بودند که اطلاعات بیشتری در مورد خطاها به دست بیاورند. اگرچه، از آنجایی که با افزایش لایه‌های پنهان زمان مورد نیاز برای آموزش شبکه DFF بسیار طولانی می‌شد، در ابتدا این شبکه‌ها غیرعملی تلقی می‌شدند. اما از سال ۲۰۰۰ به بعد، روش‌های جدیدی برای آموزش شبکه‌های DFF ارائه شد که سرچشمه سیستم‌های یادگیری ماشین مدرن بوده و کارآیی شبکه‌های DFF را اثبات نمودند.

در واقع شبکه‌های DFF، همان شبکه‌های FF هستند با تعداد لایه‌های پنهان بیشتر و نتایج خیلی بهتر.

 

تمامی حقوق مطالب برای کمپنا محفوظ است و هرگونه کپی برداری بدون ذکر منبع ممنوع می باشد.