Skillnad mellan neuralt nätverk och djupt lärande
Share
De nyckelskillnad mellan neuralt nätverk och djupt lärande är det neuralt nätverk fungerar som neuroner i människans hjärna för att utföra olika beräkningsuppgifter snabbare medan djupt lärande är en speciell typ av maskininlärning som imiterar det inlärningssätt som människor använder för att få kunskap.
Neurala nätverk bidrar till att bygga prediktiva modeller för att lösa komplexa problem. Å andra sidan är djupt lärande en del av maskininlärning. Det bidrar till att utveckla taligenkänning, bildigenkänning, naturlig språkbehandling, rekommendationer, bioinformatik och många fler. Neural Network är en metod för att genomföra djupt lärande.
INNEHÅLL
1. Översikt och nyckelskillnad
2. Vad är neuralt nätverk
3. Vad är djupt lärande
4. Side vid sida-jämförelse - Neural Network vs Deep Learning in Tabular Form
5. Sammanfattning
Vad är neuralt nätverk?
Biologiska neuroner är inspirationen för neurala nätverk. Det finns miljoner neuroner i människans hjärna och informationsprocess från en neuron till en annan. Neurala nätverk använder detta scenario. De skapar en datormodell som liknar en hjärna. Det kan utföra beräkningskomplexa uppgifter snabbare än ett vanligt system.
Figur 01: Neural Network Block Diagram
I ett neuralt nätverk kopplas noderna till varandra. Varje anslutning har en vikt. När ingångarna till noderna är x1, x2, x3, ... och motsvarande vikter är w1, w2, w3, ... så är nettoinmatningen (y),
y = x1w1 + x2w2 + x3w3 + ... .
Efter att ha anbringat nätingången till aktiveringsfunktionen, ger den utmatningen. Aktiveringsfunktionen kan vara linjär eller sigmoid funktion.
Y = F (y)
Om den här utsignalen skiljer sig från önskad utgång, justeras vikten igen och processen fortsätter kontinuerligt till att få önskad effekt. Denna uppdateringsvikt sker enligt backpropagationsalgoritmen.
Det finns två neurala nätverkstopologier som kallas feedforward och feedback. De feedforward-nätverk har ingen återkopplingsslinga. Med andra ord, signalerna strömmar endast från ingången till utgången. Feedforward-nätverk delas vidare till ett enda lager och flera lager neurala nätverk.
Nätverkstyper
I enkelskiktsnät ansluts ingångslaget till utgångslaget. Flerlags neuralt nätverk har fler lager mellan ingångslaget och utmatningsskiktet. Dessa lager heter de dolda lagren. Den andra nätverkstypen som är återkopplingsnätverket har återkopplingsvägar. Dessutom finns det möjlighet att skicka information till båda sidor.
Figur 02: Multilayer neuralt nätverk
Ett neuralt nätverk lär sig genom att ändra vikten av kopplingen mellan noderna. Det finns tre inlärningstyper, till exempel övervakat lärande, oövervakat lärande och förstärkningslärande. Under övervakat lärande kommer nätverket att tillhandahålla en utgångsvektor enligt ingångsvektorn. Denna utgångsvektor jämförs med den önskade utgångsvektorn. Om det är skillnad, kommer vikterna att ändras. Dessa processer fortsätter tills den aktuella utgången matchar den önskade utmatningen.
I oövervakat lärande identifierar nätverket mönstren och funktionerna från inmatningsdata och relation för inmatningsdata i sig. I detta lärande kombineras ingångsvektorer av liknande slag för att skapa kluster. När nätverket får ett nytt ingångsmönster, kommer det att ge utgången som specificerar den klass som det ingående mönstret tillhör. Förstärkningsinlärningen accepterar lite återkoppling från miljön. Därefter byter nätverket vikterna. Det är metoderna för att träna ett neuralt nätverk. Sammantaget bidrar neurala nätverk till att lösa olika mönsterigenkänningsproblem.
Vad är djupt lärande?
Före djup inlärning är det viktigt att diskutera maskininlärning. Det ger möjlighet för en dator att lära sig utan att uttryckligen programmeras. Med andra ord bidrar det till att skapa självlärande algoritmer för att analysera data och känna igen mönster för att fatta beslut. Men det finns några begränsningar är allmän maskininlärning. För det första är det svårt att arbeta med högdimensionella data eller extremt stora uppsättningar av ingångar och utgångar. Det kan också vara svårt att göra funktionen extraktion.
Djupt lärande löser dessa frågor. Det är en speciell typ av maskininlärning. Det bidrar till att bygga inlärningsalgoritmer som kan fungera som mänskliga hjärnor. Djupa neurala nätverk och återkommande neurala nätverk är några djupa inlärningsarkitekturer. Ett djupt neuralt nätverk är ett neuralt nätverk med flera dolda lager. Återkommande neurala nätverk använder minne för att bearbeta sekvenser av ingångar.
Vad är skillnaden mellan neuralt nätverk och djupt lärande?
Ett neuralt nätverk är ett system som fungerar som neuroner i människans hjärna för att utföra olika beräkningsuppgifter snabbare. Djupt lärande är en speciell typ av maskininlärning som imiterar det inlärningssätt som människor använder för att få kunskap. Neural Network är en metod för att uppnå djupt lärande. Å andra sidan är Deep Leaning en speciell form av Machine Leaning. Detta är den största skillnaden mellan neuralt nätverk och djupt lärande
Sammanfattning - Neural Network vs Deep Learning
Skillnaden mellan neuralt nätverk och djupt lärande är att neuralt nätverk fungerar som neuroner i människans hjärna för att utföra olika beräkningsuppgifter snabbare medan djupt lärande är en speciell typ av maskininlärning som imiterar det inlärningssätt som människor använder för att få kunskap.
Referens:
1. "Vad är djupt lärande (djupt neuralt nätverk)? - Definition från WhatIs.com. "SearchEnterpriseAI. Tillgänglig här
2. "Deep Learning." Wikipedia, Wikimedia Foundation, 30 maj 2018. Tillgänglig här
3.edurekaIN. Vad är djupt lärande | Djupt lärande förenklat | Deep Learning Tutorial | Edureka, Edureka !, 10 maj 2017. Tillgänglig här
4.Tutorials Point. "Konstgjorda neurala nätverksbyggnadsblock". Tutorials Point, 8 jan 2018. Tillgänglig här
Image Courtesy:
1. "Artificiellt neuralt nätverk" Med Geetika saini - Egent arbete, (CC BY-SA 4,0) via Commons Wikimedia
2.'MultiLayerNeuralNetworkBigger english'By MultiLayerNeuralNetwork_english.png: Chrislbderivative arbete: - HELLKNOWZ ▎TALK ▎enWP TALK (CC BY-SA 3.0) via Commons Wikimedia
