Introduktion
Djupinlärning är en avancerad form av maskininlärning som försöker efterlikna hur den mänskliga hjärnan lär sig.
I hjärnan har du nervceller som kallas nervceller, som är anslutna till varandra av nervförlängningar som passerar elektrokemiska signaler genom nätverket.
När den första neuronen i nätverket stimuleras bearbetas indatasignalen, och om den överskrider ett visst tröskelvärde aktiveras neuronen och skickar signalen vidare till de nervceller som den är ansluten till. Dessa neuroner i sin tur kan aktiveras och skicka signalen vidare genom resten av nätverket. Med tiden förstärks anslutningarna mellan neuronerna av frekvent användning när du lär dig att svara effektivt. Till exempel, om någon kastar en boll mot dig, gör dina neuronanslutningar att du kan bearbeta den visuella informationen och samordna dina rörelser för att fånga bollen. Om du utför denna åtgärd upprepade gånger kommer nätverket av neuroner som är involverade i att fånga en boll att växa sig starkare när du lär dig att bli bättre på att fånga en boll.
Djupinlärning emulerar den här biologiska processen med hjälp av artificiella neurala nätverk som bearbetar numeriska indata snarare än elektrokemiska stimuli.
Inkommande nervanslutningar ersätts av numeriska indata som vanligtvis identifieras som x. När det finns fler än ett indatavärde anses x vara en vektor med elementen x1, x2 och så vidare.
Associerad med varje x-värde är en vikt (w), som används för att stärka eller försvaga effekten av x-värdet för att simulera inlärning. Dessutom läggs en bias -indata (b) till för att möjliggöra detaljerad kontroll över nätverket. Under träningsprocessen justeras w- och b-värdena för att justera nätverket så att det "lär sig" att producera korrekta utdata.
Själva neuronen kapslar in en funktion som beräknar en viktad summa av x, w och b. Den här funktionen omges i sin tur av en aktiveringsfunktion som begränsar resultatet (ofta till ett värde mellan 0 och 1) för att avgöra om neuronet skickar utdata till nästa lager av neuroner i nätverket.