Время науки - The Times of Science

Алексеев П. А. Alexeyev Pavel A. 2022 5 перечисленные примеры являются сложными задачами. В большинстве случаев при работе с подобными задачами алгоритм решения неясен, а шаги, которые необходимо предпринять, неизвестны, и поэтому задача представляется нерешаемой. Нейросетевые алгоритмы , в частности, глубокое обучение, являются универсальным решением множества задач, для которых проблематично придумать традиционный алгоритм, то есть последовательность действий. Нейросеть – это набор вершин и связей, в каждой вершине которой производятся простейшие вычисления (рис. 1). Входные сигналы приходят в вершину (нейрон), обрабатываются по определенной формуле, и полученный сигнал отправляется дальше на другие нейроны[1, с. 16–18]. При этом каждая связь имеет некий уровень значимости для нейрона , в который она входит. Этот параметр называется весовым коэффициентом или же весом сигнала. Взвешенные входные сигналы суммируются, к ним применяется функция активации ( ) , после чего сигнал используется сетью в других нейронах или выводится. Из таких простых элементов строится множество вершин и связей – граф, который называется нейросетью (рис. 2). Процесс подбора данных весов называется обучением нейросети . Обучение происходит на уже имеющемся наборе входных данных и решений: веса нейросети подбираются так, чтобы в среднем для всей обучающей выборки ошибка в выходных данных и действительного решения была минимальна. Рис. 1. Модель искусственного нейрона (1 – входные сигналы с весовым коэффициентом , 2 – сумматор, 3 – функция активации, 4 – выходной сигнал) Данные во входные нейроны вводятся напрямую, и также напрямую изымаются результаты. Все они представлены числовыми значениями.