Forskellen mellem neuralt netværk og dyb læring

Det vigtigste forskel mellem neuralt netværk og dyb læring er det neurale netværk fungerer ligner neuroner i den menneskelige hjerne for at udføre forskellige beregningsopgaver hurtigere, mens dyb læring er en speciel type maskinlæring, der imiterer den læringsmetode, mennesker bruger for at få viden.

Neural netværk hjælper med at opbygge forudsigelige modeller til at løse komplekse problemer. På den anden side er dyb læring en del af maskinlæring. Det hjælper med at udvikle talegenkendelse, billedgenkendelse, naturlig sprogbehandling, anbefalingssystemer, bioinformatik og mange flere. Neural Network er en metode til implementering af dyb læring.

INDHOLD

1. Oversigt og nøgleforskel
2. Hvad er neuralt netværk
3. Hvad er dyb læring
4. Sammenligning side ved side - neuralt netværk vs dyb læring i tabelform
5. Opsummering

Hvad er neuralt netværk?

Biologiske neuroner er inspiration til neurale netværk. Der er millioner af neuroner i den menneskelige hjerne og informationsproces fra en neuron til en anden. Neurale netværk bruger dette scenarie. De opretter en computermodel, der ligner en hjerne. Det kan udføre beregningsmæssige komplekse opgaver hurtigere end et almindeligt system.

Figur 01: Diagram over neurale netværksblokke

I et neuralt netværk forbinder knudepunkterne hinanden. Hver forbindelse har en vægt. Når input til knudepunkterne er x1, x2, x3, ... og de tilsvarende vægte er w1, w2, w3, ... så er nettoindgangen (y),

 y = x1w1 + x2w2 + x3w3 + ... .

Efter anvendelse af nettoindgangen på aktiveringsfunktionen giver det output. Aktiveringsfunktionen kan være lineær eller sigmoid funktion.

Y = F (y)

Hvis denne output er forskellig fra den ønskede output, justeres vægten igen, og denne proces fortsætter, indtil den ønskede output opnås. Denne opdateringsvægt sker i henhold til bagpropagationsalgoritme.

Der er to neurale netværkstopologier kaldet feedforward og feedback. De fremadrettede netværk har ingen feedback loop. Med andre ord flyder signalerne kun fra input til output. Feedforward-netværk opdeles yderligere i et enkelt lag og flerlags neurale netværk.

Netværkstyper

I enkeltlagsnetværk tilsluttes inputlaget til outputlaget. Neuralt netværk med flere lag har flere lag mellem inputlaget og outputlaget. Disse lag kaldes de skjulte lag. Den anden netværkstype, som er feedbacknetværk, har feedbackstier. Der er desuden en mulighed for at videregive information til begge sider.

Figur 02: Multilayer Neural Network

Et neuralt netværk lærer ved at ændre vægten af ​​forbindelsen mellem knudepunkterne. Der er tre læringstyper, såsom overvåget læring, uovervåget læring og forstærkende læring. I overvåget læring vil netværket give en outputvektor i henhold til inputvektoren. Denne outputvektor sammenlignes med den ønskede outputvektor. Hvis der er en forskel, ændres vægtene. Disse processer fortsætter, indtil den faktiske output stemmer overens med den ønskede output.

I uovervåget læring identificerer netværket mønstre og funktioner fra inputdata og relation til inputdata af sig selv. I denne læring kombineres inputvektorer af lignende typer for at skabe klynger. Når netværket får et nyt inputmønster, giver det output, der specificerer den klasse, som inputmønsteret tilhører. Forstærkningslæringen accepterer nogle feedback fra miljøet. Derefter ændrer netværket vægterne. Disse er metoderne til at træne et neuralt netværk. Samlet set hjælper neurale netværk med at løse forskellige mønstergenkendelsesproblemer.

Hvad er dyb læring?

Før dybdelæring er det vigtigt at diskutere maskinlæring. Det giver en computer mulighed for at lære uden eksplicit programmeret. Med andre ord hjælper det med at skabe selvlærende algoritmer til analyse af data og genkende mønstre til at tage beslutninger. Men der er nogle begrænsninger er generel maskinlæring. For det første er det vanskeligt at arbejde med højdimensionelle data eller ekstremt store sæt indgange og output. Det kan også være vanskeligt at udføre funktionsekstraktion.

Dyb læring løser disse problemer. Det er en speciel type maskinlæring. Det hjælper med at opbygge læringsalgoritmer, der kan fungere som den menneskelige hjerne. Dybe neurale netværk og tilbagevendende neurale netværk er nogle dybe læringsarkitekturer. Et dybt neuralt netværk er et neuralt netværk med flere skjulte lag. Gentagne neurale netværk bruger hukommelse til at behandle sekvenser af input.

Hvad er forskellen mellem neuralt netværk og dyb læring?

Et neuralt netværk er et system, der fungerer svarende til neuroner i den menneskelige hjerne for at udføre forskellige beregningsopgaver hurtigere. Deep learning er en speciel type maskinlæring, der efterligner den læringsmetode, mennesker bruger for at få viden. Neural Network er en metode til at opnå dyb læring. På den anden side er Deep Leaning en speciel form for Machine Leaning. Dette er den største forskel mellem neuralt netværk og dyb læring

Resume - Neural Network vs Deep Learning

Forskellen mellem neuralt netværk og dyb læring er, at neurale netværk fungerer ligner neuroner i den menneskelige hjerne for at udføre forskellige beregningsopgaver hurtigere, mens dyb læring er en speciel type maskinlæring, der imiterer den læringsmetode, mennesker bruger for at få viden.

Reference:

1. “Hvad er dyb læring (dybt neuralt netværk)? - Definition fra WhatIs.com. ” SearchEnterpriseAI. Tilgængelig her 
2. "Deep Learning." Wikipedia, Wikimedia Foundation, 30. maj 2018. Tilgængelig her  
3.edurekaIN. Hvad er dyb læring | Deep Learning Simplified | Deep Learning Tutorial | Edureka, Edureka !, 10. maj 2017. Findes her   
4.Tutorials Point. “Kunstige neurale netværksbygningsblokke.” Tutorials Point, 8. januar 2018. Tilgængelig her  

Billede høflighed:

1.'Kunstigt neuralt netværk 'Af Geetika saini - Eget arbejde, (CC BY-SA 4.0) via Commons Wikimedia  
2.'MultiLayerNeuralNetworkBigger english'By MultiLayerNeuralNetwork_english.png: Chrislbderivativt arbejde: - HELLKNOWZ ▎TALK ▎enWP TALK (CC BY-SA 3.0) via Commons Wikimedia