آموزش الگوریتم های یادگیری عمیق (deep learning)

در این بخش، به بررسی مدل ها و الگوریتم های یادگیری عمیق می‌پردازیم.

مدل ها و الگوریتم های یادگیری عمیق

برخی از مدل های محبوب در یادگیری عمیق عبارتند از:

• شبکه‌های عصبی کانولوشنی (CNN)

• شبکه‌های عصبی بازگشتی (RNN)

• شبکه‌های عصبی باور عمیق (DBN)

• شبکه‌های مولد رقابتی (GAN)

• رمزگذاری های خودکار و غیره (Autoencoders)

ورودی‌ها و خروجی‌ها به‌صورت بردارها یا تنسورها نمایش داده می‌شوند. به عنوان مثال، ممکن است یک شبکه عصبی ورودی‌هایی داشته باشد که مقادیر RGB پیکسل‌های یک تصویر به‌صورت بردار نمایان شوند.

لایه‌های عصبی که بین لایه ورودی و لایه خروجی قرار دارند، لایه‌های پنهان نامیده می‌شوند. اینجا جایی است که بیشتر کارها هنگام تلاش شبکه عصبی برای حل مسائل انجام می‌شود. نگاه دقیق‌تر به لایه‌های پنهان می‌تواند اطلاعات زیادی در مورد ویژگی‌هایی که شبکه از داده‌ها استخراج کرده باشد، آشکار کند.

معماری‌های مختلف شبکه‌های عصبی از طریق انتخاب اینکه کدام نورون‌ها به نورون‌های لایه بعدی متصل شوند، شکل می‌گیرند.

پیشنهاد ویژه : آموزش پایتون از صفر

شبه کد برای محاسبه خروجی

در زیر شبه کدی برای محاسبه خروجی شبکه عصبی در حال پیشروی آورده شده است:

• # node[] := آرایه‌ای از نورون‌های مرتب‌شده به‌صورت توپولوژیکی
• # یک لبه از a به b به این معناست که a به سمت چپ b است
• # اگر شبکه عصبی ورودی‌هایی با R و خروجی‌هایی با S داشته باشد،
• # سپس اولین R نورون‌ها ورودی‌ها و آخرین S نورون‌ها خروجی‌ها هستند.
• # incoming[x] := نورون‌های متصل به نورون x
• # weight[x] := وزن‌های لبه‌های ورودی به x

برای هر نورون x، از چپ به راست:

• اگر x <= R: هیچ کاری انجام ندهد # این یک نورون ورودی است
• inputs[x] = [output[i] برای i در incoming[x]]
• weighted_sum = dot_product (weights[x], inputs[x])
• output[x] = Activation_function (weighted_sum)

راستی! برای دریافت مطالب جدید در کانال تلگرام یا پیج اینستاگرام سورس باران عضو شوید.