الثلاثاء، تشرين الأول 28, 2014المحاضرة الثامنة
12:42 PM
Hopfield Training Algorithm:
بما أن عدد طبقاته وحيد فنستطيع تحديد عدد العصبونات في الطبقة.
إذا كان لدينا صورة بـ 1000 بيكسل فعدد العصبونات هو 1000 عصبون.
- فهم خوارزمية تدريب الشبكة:
في النوع السابق من الشبكات العصبونية، كل عصبون قادر على تحديد حالتين فقط لأن الخرج فيها يأخذ قيمتين +1 أو -1 (أحيانا في حالات عدم التعيين يعطي صفر.).
أما في شبكات هوبفيلد فيكون هناك عدة عصبونات وكل عصبون يدخل عليه pattern خاص به، هذا الباتيرن قد يلزمه دخل وحيد (في حالة التعرف على الصورة البيضاء والسوداء فقط) أو قد يكون بعدة مداخل (كما في عملية التعرف على الصور الملونة التي يلزمها ثلاث مداخل للألوان الثلاثة الأساسية).
في عملية التعرف على الحرف P، في البداية ندرب الشبكة على الحرف P، بعد انتهاء عملية التدريب، تصبح الشبكة قادرة على تمييز الحرف P حتى لو كان مترافقا مع أخطاء كبيرة في الصورة حيث أن الشبكة تقوم بالتعرف على الحرف P بالاعتماد على مخارج العصبونات في نفس الطبقة بالإضافة إلى الباتيرن، أي أن خرج العصبون مرتبط بدخل العصبون والتارغيت (التارغيت هنا هو خرج طبقة العصبونات كلها ما عدا العصبون نفسه).
في هذا المثال لكل بيرسيبترون دخل وحيد (ما عدا التغذية الراجعة من الخرج والتحييز) (كل بيكسل في الرسم يدخل إلى عصبون بيرسيبترون خاص به) وذلك يعني أنه يستطيع التعرف فقط على الحرف دون تحديد لونه (البيكسل يكون أبيض أو أسود فقط.).
[ طريقة سؤال الفحص: ما هو الفرق بين شبكة ذكاء صنعي العادية (بيرسيبترون) وشبكة هوبفيلد. الجواب: الهوبفيلد كل عصبون يميز بيكسل بينما بيرسيبترون خرجها يعطي دلالة على أن هذه العينات في الدخل تنتمي إلى مجموعة أو لا تنتمي. ]
قانون تغير الأوزان:
وفي البداية تكون قيمة الوزن تساوي الصفر، فالوزن الجديد يساوي التغير في الوزن:
(ملاحظة: نأخذ منقول المصفوفة y لكي نتمكن من إجراء عملية الجداء بين المصفوفات.
.)
ويصبح قانون حساب أي وزن هو مجموع لتغير أوزان المراحل السابقة:
من أجل شبكة ذكاء صنعي ببيرسيبترون واحد نستطيع تمييز حالتين فقط، ونختزل العلاقة السابقة إلى K=2 فقط.
يمكن تحسين الشبكات ليصبح قانونها كالتالي:
حيث أن I هي المصفوفة الواحدية.
وفي بعض المراجع يتم تعويض الحد اليميني بالصفر.
ملاحظة: الوزن يمثل شدة الكمون الكهروكيميائي المار في العصبون (الأنبوب العصبي).
لكن تهمنا المصفوفة Y:
وللتأكد من صحة عملية الضرب، نتأكد من أحجام المصفوفات:
ملاحظة: من هي y و x؟
Y = exact Image.
(الصورة الحقيقية) مثلا صورة شخص ما.
x=new input comes after a certain time.
صورة الشخص نفسه لكن بعد سنة (مثلا) من الزمن.
- شبكات الذكاء الصنعي ثنائية الاتجاه (BAM):
نعطيها كامل الصورة وندعها تركز على منطقة معينة ونعلمها بأن هذه المنطقة لا تتغير مع الزمن فتربط بين هذه المنطقة والوجه الكلي، كخريطة العين، ندع الشبكة تتعلم خريطة شبكة العين وبالاعتماد عليها تتعرف على الوجه الكامل.
في مثال آخر يمكن التعرف على حرف ما بالاعتماد على جزء مميز منه فعوضا عن اختبار 1024 بيكسل للتعرف على الحرف يمكن الاعتماد على 200 بيكسل فقط في تمييز الحرف بالكامل. أي أن الدخل هو 200 بيكسل والخرج 1024.
قارن بين شبكة هوبفيلد والشبكة ثنائية الاتجاه. الجواب: في الشبكة ثنائية الاتجاه عدد المداخل لا يساوي عدد المخارج.
مثال:
#1
| -1 | 1 |
| -1 | 1 |
#2
| -1 | -1 |
| 1 | 1 |
#3
| 1 | -1 |
| 1 | -1 |
#4
| -1 | 1 |
| 1 | -1 |
#5
| -1 | -1 |
| 1 | -1 |
There are 5-patterns i.e k=5
Number of pixel inputs per pattern p=4
نتابع في المحاضرة القادمة.
رامي قباني 