المحاضرة السابعة


0022

0023

0024

0025

0026

المحاضرة السابعة

الخميس، تشرين الأول 23, 2014

8:18 AM

 


Recurrent NN:

لتكن لدينا الشبكة التالية:

Has 3 layers

L#1 has 5 neurons

L#2 has 6 neurons

L#3 has 3 neurons

ملاحظة، الخلايا العصبية في طبقة واحدة تعمل على التوازي وبنفس التوابع لكن بنتائج مختلفة


تسمى أيضا بالشبكات الأمامية، أي أن الإشارة تتجه من الدخل إلى الطبقة الأولى فالثانية فالثالثة وهكذا.
تسمى هذه البنية بالخلايا المدمجة.

الطبقات البينية تسمى بالطبقات المخفية، في مثالنا لدينا طبقة تسمى عقد الدخل، ومن ثم الطبقة1 والطبقة2 هما طبقتان مخفيتان، أما الطبقة الثالثة فهي طبقة الخرج.

 الأعصاب في الطبقة الأولى لها نفس الدخل وتعمل بالتابع نفسه (إجباري يكون نفس التابع بنفس الطبقة) لكن النتائج مختلفة بما أن الأوزان مختلفة!!!


تكون الشبكة الذكاء الصنعي قادرة على ترشيح الإشارة لكن ذلك يؤدي إلى تأخير في زمن الإشارة، لذلك نعلم شبكة الذكاء الصنعي التخلص من هذا التأخر في الزمن أيضا.

ملاحظة: لا يجوز تصميم شبكات ذكاء صنعي معقدة للقيام بأعمال بسيطة، تماما كمبدأ رفع الابرة برافعة كبيرة.

في شبكات الذكاء الخلفية! نقوم بأخذ عينات من الخرج والسعي لإدخالها إلى إحدى طبقات الشبكة.

ملاحظة، تحتاج الإشارة إلى فترة زمنية للانتقال بين طبقة وأخرى في الشبكة، وعند الخرج يكون هناك تأخير زمني ملحوظ.

أحيانا نتقصد أخذ عينة من الخرج وإخضاعها إلى تأخير زمني ومن ثم إدخالها إلى إحدى طبقات الشبكة، السبب هو أن y_1 تمثل الخرج بالضبط exact solution وندخله على الشبكة بمعامل تأخير معين من أجل التذكر، كأن يتوقف الطالب عن الحل وهو بحاجة لمعلومة بسيطة فإعادة الخرج إلى الدخل هو بمثابة

مساعدة تجعل الطالب ينهي الحل بسرعة أكبر (بدل ما نصرف وقت عالتذكر) وبذلك يصبح عمل الشبكة العصبونية أسرع.

 الهدف من أخذ عينة من الخرج وتأخيرها هو تمكين شبكة الذكاء الصنعي من التعلم بشكل أسرع

  • أول شبكة ذكاء صنعي عكسية ( ورقمية ):

يمكن تصنيف الشبكات حسب اتجاه الإشارة (أمامية او خلفية)

ويمكن تصنيفها online و offline (الأوفلاين بمعنى أن الشبكة تتعلم في البداية وتتدرب في وقت لاحق)

النمط الأول هو :

  • Digital neural networks

    • Recurrent NN. (Hopfield)

 

في هذا المثال نأخذ n عينة لصورة ما

 ملاحظة هامة: عامل التأخير لا ينفع في هذه الشبكة الرقمية غير مجدي، لأنه مهما تغير الزمن سيكون هناك تطابق بين الدخل والخرج. (اتأكد منها)

في الجلسة القادمة سنرى كيف أن هذه الشبكة قوية ومهما كان هناك أوزان تكون هذه الشبكة قادرة على التعلم.

في النوع هوبفيلد للشبكات العصبونية يكون التحييز دائما يساوي الصفر، لأن مدخل التحييز يحتاج إلى مدخل إضافي، وفي حالة التعرف على الصورة سيؤدي ذلك إلى تغيير خصائص الصورة.

Advertisements

اترك رد

إملأ الحقول أدناه بالمعلومات المناسبة أو إضغط على إحدى الأيقونات لتسجيل الدخول:

WordPress.com Logo

أنت تعلق بإستخدام حساب WordPress.com. تسجيل خروج   / تغيير )

صورة تويتر

أنت تعلق بإستخدام حساب Twitter. تسجيل خروج   / تغيير )

Facebook photo

أنت تعلق بإستخدام حساب Facebook. تسجيل خروج   / تغيير )

Google+ photo

أنت تعلق بإستخدام حساب Google+. تسجيل خروج   / تغيير )

Connecting to %s