Thuật toán ANN là gì?
Artificial neuron network (mạng nơ-ron) là một mô hình tính toán bắt chước cách thức hoạt động của các tế bào thần kinh trong não người. Mạng nơ-ron nhân tạo (ANN) sử dụng các thuật toán learning có thể thực hiện các điều chỉnh một cách độc lập – hoặc học theo một nghĩa nào đó – khi chúng nhận được giá trị input mới.
Trong hướng dẫn machine learning này, chúng tôi sẽ đề cập đến các Thuật toán Mạng Neural hàng đầu. Các Thuật toán Neural Network này được sử dụng để learning Artificial Neural Network. Bài viết này cung cấp cho bạn kiến thức sâu sắc về Gradient Descent, Evolution Algorithm và Genetic Algorithm trong Neural Network.
Các bài viết liên quan:
Vì vậy, chúng ta hãy bắt đầu tìm hiểu về các thuật toán Artificial Neural Network.
Các thuật toán Artificial Neural Network hàng đầu
Việc học Neural Network diễn ra trên cơ sở một mẫu dân số đang được nghiên cứu. Trong quá trình học, hãy so sánh giá trị mà đơn vị đầu ra mang lại với giá trị thực tế. Sau đó, điều chỉnh trọng số của tất cả các đơn vị để cải thiện dự đoán.
Có rất nhiều Thuật toán Neural Network có sẵn để learning Artificial Neural Network. Bây giờ chúng ta hãy xem một số Thuật toán quan trọng để learning Artificial Neural Network:
- Gradient Descent – Được sử dụng để tìm điểm tối thiểu cục bộ của một hàm.
- Evolution Algorithm – Dựa trên khái niệm chọn lọc tự nhiên hoặc sự tồn tại của những sinh vật khỏe mạnh nhất trong Sinh học.
- Genetic Algorithm – Bật các quy tắc thích hợp nhất cho giải pháp của một vấn đề và chọn nó. Vì vậy, họ gửi ‘vật liệu di truyền’ của mình tới các quy tắc ‘con’. Chúng ta cùng tìm hiểu chi tiết về chúng qua bài viết dưới đây.
Xem phần giới thiệu về các quy tắc học tập trong Neural Network để hiểu thêm về các Thuật toán Neural Network.
Xem thêm Convolutional Neural Networks trong machine learning
Gradient Descent
Chúng tôi sử dụng thuật toán Gradient Descent để tìm giá trị nhỏ nhất cục bộ của một hàm. Thuật toán Neural Network hội tụ về giá trị nhỏ nhất cục bộ. Bằng cách tiếp cận tỷ lệ với âm của gradient của hàm. Để tìm cực đại cục bộ, hãy thực hiện các bước tỷ lệ với gradient dương của hàm. Đây là một quá trình tăng dần độ dốc.
Trong mô hình tuyến tính, bề mặt lỗi được xác định rõ ràng và đối tượng toán học nổi tiếng có hình dạng của một parabol. Sau đó tìm điểm nhỏ nhất bằng phép tính. Không giống như mô hình tuyến tính, mạng nơron là mô hình phi tuyến phức tạp. Ở đây, bề mặt lỗi có bố cục không đều, đan xen với những ngọn đồi, thung lũng, cao nguyên và khe núi sâu. Để tìm điểm cuối cùng trên bề mặt này mà không có bản đồ nào có sẵn, người dùng phải khám phá nó.
Trong Thuật toán Artificial Neural Network này, bạn di chuyển qua bề mặt lỗi bằng cách đi theo đường có độ dốc lớn nhất. Nó cũng cung cấp khả năng đạt đến điểm thấp nhất có thể. Sau đó, bạn phải tính ra ở tốc độ tối ưu mà bạn nên đi xuống dốc.
Tốc độ chính xác tỷ lệ với độ dốc của bề mặt và tốc độ học. Tỷ lệ học tập kiểm soát mức độ thay đổi của các trọng số trong quá trình học tập.
Do đó, thời điểm của Neural Network có thể ảnh hưởng đến hiệu suất của perceptron nhiều lớp.
Xem thêm Computer Network là gì? kiến thức cơ bản
Evolution Algorithm
Thuật toán này dựa trên khái niệm chọn lọc tự nhiên hoặc sự tồn tại của những sinh vật khỏe mạnh nhất trong Sinh học. Khái niệm chọn lọc tự nhiên nói rằng – đối với một quần thể nhất định, các điều kiện môi trường sử dụng một áp lực dẫn đến sự gia tăng của những người khỏe mạnh nhất trong quần thể đó.
Để đo lường mức độ phù hợp nhất trong một tập hợp nhất định, bạn có thể áp dụng một hàm làm thước đo trừu tượng.
Trong ngữ cảnh của các thuật toán tiến hóa, hãy gọi sự tái tổ hợp như một toán tử. Sau đó, áp dụng nó cho hai hoặc nhiều ứng viên được gọi là cha mẹ, và kết quả là một trong những ứng viên mới được gọi là trẻ em. Áp dụng đột biến trên một ứng cử viên duy nhất và kết quả là tạo ra một ứng cử viên mới. Bằng cách áp dụng tái tổ hợp và đột biến, chúng ta có thể có được một tập hợp các ứng cử viên mới để xếp vào thế hệ tiếp theo dựa trên số đo phù hợp nhất của họ.
Hai yếu tố cơ bản của các thuật toán tiến hóa trong Artificial Neural Network là:
- Toán tử biến thể (tái tổ hợp và đột biến)
- Quá trình lựa chọn (lựa chọn phù hợp nhất)
Các đặc điểm chung của thuật toán tiến hóa là:
- Các thuật toán tiến hóa dựa trên dân số.
- Các thuật toán tiến hóa sử dụng các ứng viên hỗn hợp tái tổ hợp của một quần thể và tạo ra các ứng cử viên mới.
- Dựa trên thuật toán tiến hóa lựa chọn ngẫu nhiên.
Do đó, trên cơ sở các chi tiết và các vấn đề áp dụng, chúng tôi sử dụng các định dạng khác nhau của các thuật toán tiến hóa.
Một số thuật toán tiến hóa phổ biến là:
- Genetic Algorithm Genetic Algorithm – Nó cung cấp giải pháp cho các bài toán tối ưu hóa. Nó cung cấp giải pháp với sự trợ giúp của các quá trình tiến hóa tự nhiên. Như đột biến, tái tổ hợp, trao đổi chéo và di truyền.
- Genetic Programming – Lập trình di truyền cung cấp một giải pháp dưới dạng chương trình máy tính. Bằng khả năng giải các bài toán tính toán độ chính xác của một chương trình.
- Evolutionary Programming – Trong một môi trường giả lập để phát triển AI, chúng tôi sử dụng nó.
- Evolution Strategy Nó là một thuật toán tối ưu hóa. Dựa trên các khái niệm về sự thích nghi và sự tiến hóa trong khoa học sinh học.
- Neuroevolution – Để learning mạng lưới thần kinh, chúng tôi sử dụng Neuroevolution. Bằng cách xác định cấu trúc và trọng số kết nối mà bộ gen sử dụng để phát triển Neural Network.
Trong tất cả các Thuật toán Mạng Neural này, một Genetic Algorithm là thuật toán tiến hóa phổ biến nhất.
Xem thêm Network Layer trong TCP/IP hay OSI
Genetic Algorithm
Các Genetic Algorithm, được phát triển bởi nhóm của John Holland từ đầu những năm 1970. Nó cho phép các quy tắc thích hợp nhất để giải pháp của một vấn đề được lựa chọn. Để họ gửi “vật liệu di truyền” (các biến và danh mục của chúng) tới các quy tắc “con”.
Ở đây tham khảo một tập hợp các loại biến tương tự. Ví dụ, khách hàng trong độ tuổi từ 36 đến 50, có tài sản tài chính dưới 20.000 đô la và thu nhập hàng tháng trên 2000 đô la.
Quy tắc là phần bằng nhau của một nhánh của cây quyết định; nó cũng tương tự như một gen. Bạn có thể hiểu gen là đơn vị bên trong tế bào điều khiển cách sinh vật sống thừa hưởng các đặc điểm của bố mẹ. Vì vậy, các Genetic Algorithm nhằm mục đích tái tạo các cơ chế của chọn lọc tự nhiên. Bằng cách chọn các quy tắc phù hợp nhất với dự đoán và bằng cách lai và biến đổi chúng cho đến khi có được một mô hình dự đoán.
Cùng với Neural Network, chúng tạo thành loại thuật toán thứ hai. Cơ chế nào bắt chước các cơ chế tự nhiên để giải thích các hiện tượng không nhất thiết tự nhiên.
Các bước để thực hiện các Genetic Algorithm là:
- Bước 1: Tạo ngẫu nhiên các quy tắc ban đầu – Tạo các quy tắc đầu tiên với điều kiện ràng buộc là chúng phải khác biệt. Mỗi quy tắc chứa một số biến ngẫu nhiên do người dùng chọn.
- Bước 2: Lựa chọn các quy tắc tốt nhất – Kiểm tra các Quy tắc xem mục đích theo chức năng thể dục để hướng dẫn sự tiến hóa theo các quy tắc tốt nhất. Các quy tắc tốt nhất tối đa hóa chức năng thể dục và giữ lại với xác suất tăng khi quy tắc được cải thiện. Một số quy tắc sẽ biến mất trong khi những quy tắc khác chọn nhiều lần.
- Bước 3: Tạo ra các quy tắc mới bằng cách đột biến hoặc lai – Đầu tiên, chuyển sang bước 2 cho đến khi việc thực thi thuật toán dừng lại. Các quy tắc được lựa chọn bị đột biến hoặc vượt qua một cách ngẫu nhiên. Đột biến là sự thay thế một biến hoặc một phạm trù của quy tắc gốc bằng một biến khác.
Sự giao nhau giữa 2 quy tắc là việc trao đổi một số biến hoặc danh mục của chúng để tạo ra 2 quy tắc mới. Phép lai phổ biến hơn đột biến.
Thuật toán Artificial Neural Network kết thúc khi 1 trong 2 điều kiện sau đáp ứng:
- Đã đạt đến số lần lặp được chỉ định.
- Bắt đầu từ thế hệ thứ hạng n, các quy tắc của thế hệ n, n-1 và n-2 là (gần như) giống hệt nhau.
Vì vậy, đây là tất cả về Thuật toán Artificial Neural Network. Hy vọng bạn thích giải thích của chúng tôi.
Kết luận
Do đó, Mạng Neural Nhân tạo thường khó định cấu hình và learning chậm, nhưng một khi đã chuẩn bị thì ứng dụng sẽ rất nhanh. Chúng thường được thiết kế như các mô hình để vượt qua các vấn đề toán học, tính toán và kỹ thuật. Kể từ đó, có rất nhiều nghiên cứu trong toán học, sinh học thần kinh và khoa machine learning tính.
Nếu bạn muốn chia sẻ ý kiến của mình và có bất kỳ câu hỏi nào về Thuật toán mạng nơron nhân tạo, vui lòng thực hiện trong phần bình luận.
Xem thêm Network marketing là gì?
