Sun’iy intellekt va neyron tarmoqlari”fanidan sun’iy neyron tarmoqlari modeli

Modellarning ketma-ketligi

K
etma-ketlik modeli ikkita takrorlanuvchi neyron tarmoqlardan iborat. Bu erda kirishni qayta ishlaydigan kodlovchi va chiqishni qayta ishlaydigan dekoder mavjud. Kodlovchi va dekoder bir vaqtning o'zida ishlaydi - bir xil parametr yoki boshqa parametrlar yordamida. Ushbu model, haqiqiy RNN dan farqli o'laroq, kirish ma'lumotlarining uzunligi chiqish ma'lumotlarining uzunligiga teng bo'lgan hollarda ayniqsa qo'llaniladi. Ular RNNning o'xshash afzalliklari va cheklovlariga ega bo'lsa-da, bu modellar odatda chatbotlarda , mashina tarjimalarida va savollarga javob berish tizimlarida qo'llaniladi.(10-rasm)
10-rasm. Modellarning ketma-ketligi

Modulli neyron tarmoq

Modulli neyron tarmog'ining qo'llanilishi

1. 
   Qimmatli qog'ozlar bozorini bashorat qilish tizimlari
   
2. 
   Belgilarni tanib olish uchun moslashtirilgan MNN 
   
3. 
   Yuqori darajadagi kirish ma'lumotlarini siqish
   

M
odulli neyron tarmog'i mustaqil ishlaydigan va kichik vazifalarni bajaradigan bir qancha turli tarmoqlarga ega. Hisoblash jarayonida turli tarmoqlar haqiqatan ham bir-biri bilan o'zaro ta'sir qilmaydi yoki signal bermaydi. Ular natijaga erishish uchun mustaqil ravishda ishlaydi.(11-rasm)

11-rasm. Modulli neyron tarmoq

Natijada, katta va murakkab hisoblash jarayoni uni mustaqil komponentlarga bo'lish orqali sezilarli darajada tezroq amalga oshiriladi. Hisoblash tezligi oshadi, chunki tarmoqlar o'zaro aloqada emas yoki hatto bir-biriga ulanmaydi.

Modulli neyron tarmog'ining afzalliklari

1. 
   Samarali
   
2. 
   Mustaqil trening
   
3. 
   Mustahkamlik
   

Modulli neyron tarmoqning kamchiliklari

1. 
   Maqsadlarni ko'chirish muammolari
   

2 qatlamli neyron tarmoq:

import numpy as np

# sigmoid function

def nonlin(x,deriv=False):
if(deriv==True):
return x*(1-x)
return 1/(1+np.exp(-x))
# input dataset
X = np.array([ [0,0,1],
[0,1,1],
[1,0,1],
[1,1,1] ])
# output dataset
y = np.array([[0,0,1,1]]).T

# seed random numbers to make calculation

# deterministic (just a good practice)
np.random.seed(1)

# initialize weights randomly with mean 0

syn0 = 2*np.random.random((3,1)) - 1

for iter in xrange(10000):

# forward propagation

l0 = X
l1 = nonlin(np.dot(l0,syn0))

# how much did we miss?

l1_error = y - l1

# multiply how much we missed by the

# slope of the sigmoid at the values in l1
l1_delta = l1_error * nonlin(l1,True)

# update weights

syn0 += np.dot(l0.T,l1_delta)

print "Output After Training:"

print l1
Treningdan keyingi natijalar:
[[ 0.00966449]
[0,00786506]
[0.99358898]
[0.99211957]]