L. A. Kadirova, A. A. No’monjonov bioinformatika o‘zbekiston Respublikasi vazirligi tomonidan ta’lim yo‘nalishi bo‘yicha darslik sifatida tavsiya etilgan

Nazorat savollari va topshiriqlari

1. 
   Neyronlarning signalizatsiya tamoyilini tavsiflang.
   
2. 
   Neyron tarmoqlar nima?
   
3. 
   Neyron tarmoqni shakllantirish uchun nima kerak?
   
4. 
   Neyron tarmoqni o'rganish jarayoni qanday ishlaydi?
   
5. 
   Ikki tandem (bir-birining ortidan) neyron tarmoqlardan foydalanish nimaga imkon beradi?
   
6. 
   Siz bilgan neyron tarmoqlarni modellashtirish dasturlarini sanab bering?
   

2. 
   Neyron tarmoq kompilyatsiyasi.
   

Neyronlar kutubxonasining asosiy maqsadi tizimlarning analitik imkoniyatlarini kengaytirish uchun neyron tarmoqlarni axborot tizimlariga integratsiya qilishdir. Neyron tarmoqlarning komponentlar ko'rinishida amalga oshirilishi, ochiq manbaning mavjudligi boshqa dasturlarga joylashtirishni osonlashtiradi. Ob'ektga yo'naltirilgan amalga oshirish juda ko'p moslashuvchanlikni beradi, shunchaki bir nechta usullarni qayta yozing va siz o'zingizning ehtiyojlaringiz uchun optimallashtirilgan komponentni olishingiz mumkin.

1. 
   Neyronlar sinflari ierarxiyasi.
   

TNeuron, TLayer, TNeuralNet uchta tayanch sinflari mavjud. Qolganlarning hammasi ulardan olingan. 1-rasmda sinflar ierarxiyasi, qat'iy chiziqlar merosni ko'rsatadi (strelka naslni ko'rsatadi), ular qaysi sinflarda qo'llaniladigan nuqta chiziqlar.



Guruch. 8.3. sinf ierarxiyasi

TNeuron neyronlar uchun tayanch sinf boʻlib, barcha asosiy funksiyalarni oʻz zimmasiga oladi, ogʻirlik koeffitsientlari (sinapslar) boʻlgan indekslangan Weights xususiyatiga, neyronning chiqishi (hisob-kitoblar natijasi) va toplayıcı boʻlgan Chiqish xususiyatiga ega. uning roli ComputeOut usuli bilan amalga oshiriladi.

TNeuronning avlodi bo'lgan TNeuronHopf Hopfield neyron tarmog'ida ishlatiladigan neyronni amalga oshiradi, asosiy sinfdan yagona farqi bekor qilingan ComputeOut usulida faollashtirish funksiyasidan foydalanishdir.
Keyingi yaratilgan sinf TNeuronBP bo'lib, u ko'p qatlamli neyron tarmoqlarni dasturiy ta'minotini amalga oshirish uchun ishlatiladi. Sinf nomidagi BP qisqartmasi ushbu turdagi neyron faqat orqaga tarqalish algoritmi yordamida o'qitilgan tarmoqlarda qo'llanilishi haqida sizni chalg'itmasligi kerak, shuning uchun biz yana bir bor ta'kidlamoqchimizki, bizning holatlarimizda neyron tarmoq ushbu algoritm yordamida o'qitiladi.
ComputeOut usuli endi OnActivationF protsessual tipidagi indekslangan xususiyat sifatida amalga oshirilgan chiziqli bo'lmagan faollashtirish funksiyasidan foydalangan holda qayta yozildi. Bundan tashqari, ikkita muhim xususiyat qo'shildi, Delta - mahalliy xatolikni o'z ichiga olgan va indekslangan PrevUpdate xususiyati - oldingi tarmoq o'rgatish bosqichida vaznni tuzatish qiymatini o'z ichiga olgan. TLayer asosiy sinfi va uning avlodlari TLayerHopf va TLayerBP ning asosiy maqsadi neyronlar bilan ishlashni soddalashtirish uchun neyronlarni qatlamga birlashtirishdir.
TNeuralNet komponenti barcha turdagi neyron tarmoqlar uchun asosiy komponent hisoblanadi . TNeuralNet olingan komponentlarning zarur funksionalligini ta'minlaydi. Ushbu komponent tarmoq qatlamlari bilan ishlash usullarini (AddLayer, DeleteLayer) va manba ma'lumotlarini (AddPattern, DeletePattern, ResetPatterns) manipulyatsiya qilish usullarini qo'llab-quvvatlaydi. Neyron tarmog'ini qurish uchun Init usuli qo'llaniladi. Asosiy komponent va uning avlodlari umumiy bo'limida e'lon qilingan usullarning aksariyati virtualdir, bu ularni bekor qilishni osonlashtiradi.
TNeuralNetHopf komponenti Hopfild neyron tarmog'ini amalga oshiradi.
Quyidagi usullar qo'shimcha ravishda kiritilgan: InitWeights - taqdim etilgan namunalarni tasvirlar matritsasida saqlaydi va Calc usuli - Hopfield tarmog'ining chiqishini hisoblaydi. TNeuralNetBP komponenti orqaga tarqalish algoritmi yordamida o'qitilgan ko'p qatlamli neyron tarmog'ini amalga oshiradi.
Quyidagi usullar qo'shimcha ravishda kiritilgan: Hisoblash - tarmoq o'qitilgandan keyin ishlatiladigan neyron tarmoqning chiqishini hisoblaydi; TeachOffLine - neyron tarmoqni o'rgatadi. Komponent dizayn-vaqt rejimida Ob'ektlar inspektori oynasida tarmoqdagi qatlamlar va neyronlarni qo'shish yoki olib tashlash orqali neyron tarmoqni qurishga imkon beradi. Buning uchun NeuronsInLayer xossa muharriridan foydalaniladi, u quyidagicha ko'rinadi:



Guruch. 8.4. NeuronsInLayer mulk muharriri - Tarmoq dizayni

2. 
   Neyron tarmoq ustasi bilan mos keladi
   

Keyingi komponent TNeuralNetBP -dan olingan TNeuralNetExtented bo'lib, u Neyron Tarmoq ustasi bilan to'liq moslikni ta'minlaydi. Quyidagi usullar qo'shimcha ravishda kiritilgan: *.nnw formatida o'qitilgan neyron tarmoqni yozish (LoadPhasel, LoadPhase2, LoadPhase4, LoadNetwork) va o'qish (SavePhase1, SavePhase2, SavePhase4, SaveNetwork) uchun; LoadDataFrom - matn faylidan ma'lumotlarni yuklaydi, shuningdek, kirish va chiqish ma'lumotlarini normallashtirish uchun NormalizeData usuli; Poezd - neyron tarmoqni o'rgatish uchun; ComputeUnPrepData - tarmoqning chiqishini hisoblash uchun, agar sizning kirish qiymatlaringiz normallashtirilmagan bo'lsa ishlatiladi.
Komponent dizayn-vaqt rejimida Ob'ekt inspektori oynasida kerakli maydonlarni tanlash, shuningdek, maydonni normallashtirish turini o'rnatish imkonini beradi. Ushbu maqsadlar uchun quyidagi shaklga ega bo'lgan mulk muharriridan foydalaniladi:




Guruch. 8.5. Xususiyat muharriri - Qatlamlar


TNeuralNetExtented komponenti kutubxonadagi eng kuchli komponentlardan biridir.
Neural Base. Ushbu komponentdan foydalanib, siz deyarli bir necha daqiqada to'liq ishlaydigan tayyor dasturni olishingiz mumkin.

3. 
   Demo dasturlar
   

komponentlarning imkoniyatlarini ko'rsatadigan uchta dastur ko'rgazmali misollar sifatida berilgan . TNeuralNetHopf komponentidan foydalangan holda tanib olish dasturi amalga oshiriladi Xopfild neyron tarmog'i. Dastur naqshni aniqlash muammosini hal qiladi. Ma'lum bir tasvir, ehtimol buzilgan yoki to'liq bo'lmagan, tarmoq kiritishiga beriladi va neyron tarmoq tasvirni tiklaydi, ya'ni. taqdim etilgan tasvirni tarmoq tomonidan saqlangan tasvirlardan biriga havola qiladi yoki ishlamay qolganda, ba'zan "ximera" deb ataladigan yangi tasvirni chiqaradi.
XOR_Problem dasturi Minsky va Papertning mashhur "Perceptrons" asaridan keyin standart test bo'lgan XOR funktsiyasini amalga oshiradi. Dastur TNeuralNetBP komponentiga asoslangan.
TNeuralNetExtented komponentidan foydalangan holda EasyNNW dasturi dasturning analogidirNeyron tarmoq ustasi, NNW dan yagona farqi biroz "engil" interfeysdir. Ushbu misol NeuralBase komponentlar kutubxonasi asosida juda yaxshi funksionallikka ega neyron tarmoqlarni amalga oshiradigan dasturlarni yaratish qanchalik oson va tez ekanligini ko'rsatadi.⁵