Братья по уму

Юрий Свидиненко

Хакер, номер #094, стр. 094-048-3

Что самое интересное, исследование нейросетей носит прикладную пользу. Наибольшее количество применений «урезанного» ИИ основано именно на нейросетях. С помощью НС можно, например, предсказывать показатели биржевого рынка, выполнять распознавание оптических или звуковых сигналов, создавать самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту.

Основу любой нейросети составляют однотипные, элементы (ячейки), имитирующие работу отдельных нейронов мозга. Каждый искусственный нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рисунке.

Каждый синапс характеризуется величиной синаптической связи, которая по физическому смыслу эквивалентна электрической проводимости.

Одна из фишек нейросетей и нашего с тобой мозга - принцип параллельной обработки сигналов, который достигается путем объединения большого числа нейронов в слои и соединения определенным образом нейронов различных слоев. Поэтому нейросети так привлекательны для моделирования различных сложных и разветвленных процессов, одним из которых является наше с тобой мышление.

Теоретически число слоев и число нейронов в каждом слое может быть любым, лишь бы хватало мощности у компьютера, на котором нейросеть моделируется, или специализированной микросхемы, на которых НС реализуется «в железе». Чем сложнее и разветвленнее, тем масштабнее задачи, подвластные ей. Очевидно, что процесс функционирования нейросетей, то есть сущность действий, которые она способна выполнять, зависит от величин синаптических связей, поэтому, задавшись определенной структурой НС, отвечающей какой-либо задаче, разработчик сети должен найти оптимальные значения всех переменных весовых коэффициентов (некоторые синаптические связи могут быть постоянными).

Этот этап называется обучением нейросети, и от того, насколько качественно он будет выполнен, зависит способность сети решать поставленные перед ней проблемы во время моделирования. На этапе обучения, кроме подбора весов, важную роль играет время обучения. Как правило, эти два параметра связаны обратной зависимостью, и их приходится выбирать на основе компромисса.

Обучение НС может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Во втором случае выходы НС формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы. Так реализовано самообучение в нейронных сетях.