المؤلف: أحمد جاد

الترجمة: جيانغ يو تشانغ

تصحيح التجارب المطبعية: لي هاى مينغ

هذه المقالة حول 2400 كلمات وأوصت القراءة 8 دقائق.

المقال من قبل اثنين من أمثلة بسيطة، وعدد من الخلايا العصبية في طبقة خفية، وطريقة تحديد التفسير المطلوب، للمبتدئين لبناء الشبكات العصبية.

الشبكات العصبية الاصطناعية (الشبكات العصبية الصناعية) مبتدئين قد نطرح هذا السؤال:

• عدد طبقة مخفية؟
• كم عدد الخلايا العصبية مخبأة في كل طبقة مخبأة هناك؟
• ما هو الغرض من استخدام مخبأة طبقات / هو الخلايا العصبية؟
• زيادة عدد مخبأة طبقة / مجموع الخلايا العصبية يمكن أن يؤدي إلى نتائج أفضل؟

أنا سعيد لأننا يمكن أن الإجابة على هذه الأسئلة. أولا، أن تكون واضحة، إذا كنت ترغب في حل مشكلة معقدة جدا، ويجيب على هذه الأسئلة قد تكون معقدة للغاية. وبحلول نهاية هذه المقالة، يمكنك على الأقل فهم الإجابة على هذه الأسئلة، ويمكن اختبارها على مثال بسيط.

مستوحاة ANN الشبكات العصبية البيولوجية. في علوم الكمبيوتر، يتم تبسيط ممثلة على أنها مستوى المجموعة. وتنقسم مستويات في ثلاث فئات، وهي المدخلات، خفية، والطبقة الانتاج.

وعدد من الخلايا العصبية في طبقة يتم تحديد المدخلات والمخرجات هو الجزء الأسهل. كل الشبكة العصبية لها مدخل واحد وطبقة ناتج واحد. عدد البيانات من الخلايا العصبية في طبقة المدخلات التي يجري تجهيزها هو مساو لعدد من المتغيرات الإدخال. عدد الخلايا العصبية في طبقة الإخراج هو مساو لعدد من المخرجات المرتبطة بكل الإدخال. ولكن التحدي هو تحديد عدد من الطبقات والخلايا العصبية الخفية.

وفيما يلي بعض الإرشادات التي يمكن أن تساعد على فهم طبقات مخفية وعدد من الخلايا العصبية في كل تصنيف طبقة خفية من:

• وفقا لقرار يتوقع أن يستقطب البيانات الحدود، وبالتالي فصل كل فئة.
• ويمثل الحدود القرار باعتباره مجموعة من الخطوط. لاحظ أن الجمع بين هذه الخطوط يجب أن يكون رهنا بقرار الحدود.
• عدد النظر عن الخط المحدد يشير إلى عدد من الخلايا العصبية من الطبقة الأولى خفية خفية.
• لربط الأسلاك من الطبقة السابقة التي تم إنشاؤها، تحتاج إلى إضافة طبقة مخفية جديدة. علما بأن كل مرة تضيف طبقة مخفية جديدة، تحتاج إلى إنشاء اتصال طبقة مخفية.
• عدد الاتصالات لكل طبقة مخفية جديدة من الخلايا العصبية الخفية يساوي الرقم المراد إنشاؤه.

 لتسهيل فهم، والنظر في الأمثلة التالية:

مثال واحد

دعونا نبدأ مع مثال بسيط من مشكلتين تصنيف الفئة. كما هو مبين في الشكل 1، كل سبيل المثال اثنين من المدخلات والمخرجات تمثل تسمية الطبقة. وهو مشابه جدا لمشكلة XOR.

الشكل (1)

السؤال الأول هو ما إذا كانت طبقة مخفية. تحتاج قواعد لتحديد ما إذا كانت الطبقات المخفية هي كما يلي:

في الشبكات العصبية الاصطناعية، عندما وفقط عندما يجب فصل البيانات من غير الخطية، فإنه يحتاج إلى أن طبقة مخفية.

كما هو مبين في الشكل 2، ويبدو أن هذه الفئات يجب أن تكون مفصولة من غير الخطية. سطر واحد لا يمكن فصل البيانات. ولذلك، يجب علينا أن نستخدم طبقات مخفية للحصول على أفضل الحدود القرار. في هذه الحالة، قد ما زلنا لا تستخدم طبقات مخفية، لكن هذا لن يؤثر على دقة التصنيف. ولذلك، فمن الأفضل استخدام طبقة مخفية.

بعد الحاجة إلى معرفة طبقة خفية، وهناك نوعان من الأسئلة الهامة التي يجب الإجابة عليها، وهي:

• العدد المطلوب من طبقات مخفية هو كم؟
• عدد الخلايا العصبية مخبأة في كل طبقة مخفية هو كم؟

وفقا لعملية السابقة، فإن الخطوة الأولى هي لرسم الحدود الفاصلة فئتين من عملية صنع القرار. كما هو مبين في الشكل 2، عدد وافر من إمكانية اتخاذ قرار الحدود التي تفصل البيانات بشكل صحيح. ونحن مواصلة مناقشة الشكل 2 (أ) من ذلك.

الشكل 2

وأعرب التالي من خلال مجموعة من خط الحدود القرارات.

ويستند مجموعة من الخطوط المستخدمة لتمثيل حدود القرار على حقيقة: أي ANN هو المستقبلات طبقة واحدة كما شيدت بناء كتل. هي طبقة واحدة المستقبلات المصنف الخطي، والذي يستخدم فئات مختلفة منفصلة وفقا لخط خلق المعادلة التالية:

ذ = w_1 * X_1 + w_2 * x_2 + + w_i * x_i + ب

حيث x_i هي المدخلات، w_i هو وزنه، ب هي الانحراف، ص هو الإخراج. لأن اضاف أن كل عدد الخلايا العصبية الخفية زيادة الوزن، واستخدام الخلايا العصبية أكثر مخبأة سيزيد من تعقيد، فمن المستحسن استخدام عدد لا يقل عن الخلايا العصبية الخفية لإكمال المهمة.

بالعودة إلى المثال، يقول المستقبلات ANN هو استخدام بناء شبكة متعددة، وقوله هو مبني على الشبكة باستخدام خطوط متعددة.

في هذا المثال، يتم استبدال حدود قرار من قبل مجموعة من الخطوط. خط بدءا من نقطة الحدود باتجاه تغييرات منحنى. وفي هذا الصدد، وضع خطين، كل سطر في اتجاهات مختلفة.

كما هو مبين في الشكل. 3 نقطة واحدة فقط كما منحنى الحدود عن طريق تغيير اتجاه الدوائر الرمادية، فإنه يتطلب سوى اثنين من الأسلاك. وبعبارة أخرى، هناك نوعان من طبقة واحدة المستقبلات الشبكة، ينتج خط من كل المستقبلات.

الشكل (3)

يتطلب قرار الحدود يمكن أن يقال سطرين فقط أن يعني ذلك أن الطبقة الأولى مخبأة سوف يكون اثنين من الخلايا العصبية الخفية.

وحتى الآن، لدينا طبقة خفية، والتي تضم اثنين من الخلايا العصبية الخفية، ويمكن اعتبار كل الخلايا العصبية الخفية باعتباره المصنف الخطي، كما هو مبين في الشكل (3) خط. سيكون هناك نوعان من المخرجات، واحد من كل فئة المصنف (أي الخلايا العصبية الخفية). ومع ذلك، نحن نريد أن نبني فئة لا يمكن إلا أن إخراج موضوع المصنف. لذلك، سيتم الجمع بين اثنين من إخراج الخلايا العصبية مخبأة في ناتج واحد. وبعبارة أخرى، سيتم ربط هذين الخطين إلى الخلايا العصبية آخر. النتائج هو مبين في الشكل.

لحسن الحظ، نحن لسنا بحاجة لإضافة آخر مع واحد الخلايا العصبية طبقة مخفية للقيام بهذه المهمة. الخلايا العصبية طبقة إخراج ستحصل عليها القيام به. التي قد تكون ولدت قبل وتنصهر سطرين، بحيث في نهاية المطاف سوى انتاج شبكة واحدة.

الشكل (4)

مع العلم أن عدد طبقات والخلايا العصبية الخفية، تم الانتهاء من هندسة الشبكات، كما هو مبين في الشكل.

الرقم 5

المثال الثاني

ويرد مثال آخر على تصنيف في الشكل. على غرار المثال السابق، هناك نوعان من التصنيفات، كل عينة من الذي لديه اثنين من المدخلات والمخرجات واحدة. والفرق هو أن قرار الحدود. حدود هذا المثال هو أكثر تعقيدا من المثال السابق.

6

وفقا لتعليمات البداية، فإن الخطوة الأولى هي رسم الحدود القرار. حدود قرار المستخدمة في FIG 7 (أ) هو مبين في الشكل.

الخطوة التالية هي وضع ينقسم حدود القرار إلى خطوط، كل صورة يمكن بناؤها كما المستقبلات نموذج ANN. قبل رسم الخط، والاتجاه الذي يجب أن يتم وضع علامة تغيير نقطة الحدود، FIG 7 (ب) هو مبين في الشكل.

الرقم 7

والسؤال هو كم من خطوط حاجة؟ وسيكون لكل خط واثنين من القمم وما يرتبط بها من وجهات نظرهم أسفل، أي ما مجموعه أربعة خطوط. منتصف الخطين حصة من وجهة أخرى. لإنشاء خط كما هو مبين في الشكل.

لأن طبقة أولا الخفية وجود الخلايا العصبية طبقة مخفية تساوي عدد الخطوط، وبالتالي فإن أول طبقة مخفية أربعة الخلايا العصبية. وبعبارة أخرى، هناك أربعة المصنفات، كل المصنف لإنشاء المستقبلات طبقة واحدة. حاليا، شبكة يولد أربعة نواتج كل من المصنف. تلاه سهم ربط معا هذه المصنفات، حتى أن شبكة يولد سوى الإخراج واحدة. وبعبارة أخرى، سوف يتم توصيل خط من الآخر الفردي معا طبقة مخفية لتوليد منحنى.

الرقم 8

مصمم نموذج يمكن تحديد تخطيط الشبكة. واحد بنية الشبكة المحتملة هو بناء طبقة مخفية الثانية وجود اثنين من الخلايا العصبية الخفية. تم توصيل الخلايا العصبية أولا المخفية لخطين قبل الخلايا العصبية مشاركة خفية تربط السطرين الأخيرين. يظهر نتائج طبقة مخفية الثانية في الشكل.

الرقم 9

وحتى الآن، وهناك نوعان من منحنيات منفصلة. وهكذا، وشبكة لديها اثنين من النواتج. يرتبط بجانب منحنيات الناتج واحدة حصل عليها عبر الشبكة بأكملها. في هذه الحالة، فإن الخلايا العصبية طبقة الإنتاج المتاحة للاتصال بدلا من إضافة طبقة مخفية النهائية الجديدة. النتيجة النهائية هو موضح في الشكل (10).

10

بعد تصميم شبكة كاملة، والهندسة المعمارية شبكة كاملة هو مبين في الشكل (11).

11

مزيد من التفاصيل:

مقدمة + دراسة متعمقة باستخدام الشبكة العصبية الاصطناعية لحل XOR

• من SlideShare:

https://www.slideshare.net/AhmedGadFCIT/brief-introduction-to-deep-learning-solving-xor-using-anns

• يوتيوب:

https://www.youtube.com/watch؟ ت = EjWDFt-2n9k

نبذة عن الكاتب:

تلقى أحمد جاد في مصر في يوليو 2015 المنوفية جامعة كلية الحاسبات والمعلومات (FCI) على درجة البكالوريوس في العلوم شهادة في التميز تكنولوجيا المعلومات. لأنه المرتبة الأولى في الكلية، وأوصى هو بمثابة المؤسسات البحثية مساعد تدريس في مصر في عام 2015، ثم شغل منصب مساعد التدريس والباحثين في الكلية في عام 2016. وتشمل اهتماماته البحثية الحالية التعلم العميق، والتعلم الآلي والذكاء الاصطناعي، معالجة الإشارات الرقمية ورؤية الكمبيوتر.

العنوان الأصلي:

مبتدئين طرح "كم عدد الطبقات المخفية / الخلايا العصبية للاستخدام في الشبكات العصبية الاصطناعية؟

الرابط الأصلي:

https://www.kdnuggets.com/2018/07/beginners-ask-how-many-hidden-layers-neurons-neural-networks.html

مقدمة المترجم

جيانغ يو تشيونغ، القراءة صغار جامعة هونغ كونغ للفنون التطبيقية، وتخصص في مجال المعلومات الجغرافية وقاصر في علم الحاسوب، ويعمل حاليا في دراسة بحثية لاستكشاف العلاقة بين الأنشطة الحضرية والبشرية من خلال البيانات العلمية وغيرها من الأساليب. الأمل لجعل البيانات أكثر علمية إلى الأصدقاء المهتمين، لمعرفة المزيد من المعرفة المتطورة وتطوير آفاقهم الخاصة.

يرجى تحديد مستنسخة بيانات الإرسال THU

أفراد العمليات: ران هيل