โครงข่ายประสาทเทียม (ต่อ)

ในที่นี้ f เป็นฟังก์ชันถ่ายโอน ตัวอย่างเช่น ฟังก์ชันขั้นบันได และฟังก์ชันซิกมอยด์ เป็นต้น        ทำหน้าที่รับค่าอินพุต เพื่อเปลี่ยนเป็นค่าเอาต์พุต a สำหรับค่าน้ำหนัก w และค่าไบแอส b เป็นค่าพารามิเตอร์ของโครงข่ายประสาทเทียมที่สามารถปรับได้ จุดศูนย์กลางแนวคิดเกี่ยวกับโครงข่ายประสาทเทียมก็คือค่าพารามิเตอร์ w และ b สามารถปรับเปลี่ยนได้เพื่อให้โครงข่ายประสาทเทียม แสดงพฤติกรรมตามที่เราต้องการยกตัวอย่างเช่น การจดจำสิ่งที่เคยเรียนรู้มาก่อน ดังนั้นเราสามารถสอนโครงข่ายประสาทเทียมเพื่อให้ทำงานที่เราต้องการโดยการปรับแต่งค่าพารามิเตอร์น้ำหนัก และไอแอสของโครงข่ายประสาทเทียม หรือบางทีโครงข่ายประสาทเทียมจะปรับพารามิเตอร์เพื่อให้ได้สิ่งคาดหวังด้วยตัวเองอย่างอัตโนมัติ

-         การเรียนรู้สำหรับ Neural Network

-         Supervised Learning การเรียนแบบมีการสอนเป็นการเรียนแบบที่มีการตรวจคำตอบเพื่อให้วงจรข่ายปรับตัว ชุดข้อมูลที่ใช้สอนวงจรข่ายจะมีคำตอบไว้คอยตรวจดูว่าวงจรข่ายให้คำตอบที่ถูกหรือไม่ ถ้าตอบไม่ถูก วงจรข่ายก็จะปรับตัวเองเพื่อให้ได้คำตอบที่ดีขึ้น (เปรียบเทียบกับคน เหมือนกับการสอนนักเรียนโดยมีครูผู้สอนคอยแนะนำ)

ภาพ แสดงการเรียนรู้แบบมีการสอน (Supervised Learning)

-         Unsupervised Learning การเรียนแบบไม่มีการสอนเป็นการเรียนแบบไม่มีผู้แนะนำ ไม่มีการตรวจคำตอบว่าถูกหรือผิด วงจรข่ายจะจัดเรียงโครงสร้างด้วยตัวเองตามลักษณะของข้อมูล ผลลัพธ์ที่ได้ วงจรข่ายจะสามารถจัดหมวดหมู่ของข้อมูลได้ (เปรียบเทียบกับคนเช่น การที่เราสามารถแยกแยะพันธุ์พืช พันธุ์สัตว์ตามลักษณะรูปร่างของมันได้เองโดยไม่มีใครสอน)

ภาพที่ 43 แสดงการเรียนรู้แบบไม่มีการสอน Unsupervised Learning

-         สถาปัตยกรรม

            บางครั้งพิจารณาจำนวนของเลเยอร์ เพื่อเป็นส่วนหนึ่งของ สถาปัตยกรรม ส่วนการพิจารณาอื่นจะพิจารณาถึงจำนวนเลเยอร์ และโหนดในแต่ละเลเยอร์เพื่อเป็นคุณสมบัติของ Network แทนที่จะเป็นส่วนหนึ่งของสถาปัตยกรรม ซึ่ง Neurons processing element ประกอบด้วย

            - Input connection มี input value ซึ่งรับจากทั้ง neuron ก่อนหน้านี้ หรือ ในกรณีที่เป็น input layer จากภายนอก

            - Bias ไม่เชื่อมต่อไปยัง neuron อื่น ใน network และถูกสมมุติให้มี input value เป็น               1 สำหรับ การรวมผล

            - Weight เป็นตัวเลขที่แสดงความสำคัญของ input เชื่อมต่อไปยัง neuron แต่ละ neuron input ประกอบด้วย bias และมีการรวม weight

            - State function รูปแบบทั่วๆไปเป็นงานสำหรับรวมผล summation function ผลลัพธ์ของ state function กลายเป็น input สำหรับ transfer function

            - Transfer function Nonlinear mathematic function ใช้ในการเปลี่ยนข้อมูลเป็น specific scale มี 2 รูปแบบพื้นฐานของ Transfer function คือ continuous และ discrete  โดยทั่วไป Ramp, Sigmoid, Arc Tangent และ Hyperbolic Tangent ใช้ continuous function  และ continuous function บางครั้งเรียกว่า squashing function โดยทั่วไป Step และ Threshold ใช้ discrete function และ discrete Transfer  function บางครั้งเรียกว่า activation function

- Training  

            เป็นกระบวนการใช้ตัวอย่างเพื่อพัฒนา neural network ที่รวมรูปแบบของ input ด้วยคำตอบที่ถูกต้อง กลุ่มของตัวอย่างที่มี output ที่รู้จักถูกส่งไปยัง network ซ้ำๆกันเพื่อ train ระบบ network กระบวนการ training จะเป็นไปอย่างต่อเนื่องจนกระทั่งความแตกต่างระหว่าง input และ output  pattern สำหรับ training set ได้ค่าที่ยอมรับ มีการใช้วิธีการหลายๆอัน สำหรับ training network ที่รู้จักกันทั่วไปคือ Back-propagation ซึ่ง Back-propagation จะทำงานสำเร็จภายใน 2 ขั้นตอน เริ่มแรก input ถูกส่งไปข้างหน้าผ่าน network เพื่อผลิต output ต่อจากนั้นความแตกต่างระหว่างเอาพุตจริงๆ กับเอาพุตที่ต้องการจะสร้างสัญญาณผิดพลาด ซึ่งส่งค่ากลับ ผ่านเครือข่ายเพื่อปรับปรุง ค่าน้ำหนักของอินพุต