MatlabTips

Forwarded from زانکو (Rohola Zandie)

کار بسیاری دشواری نیست که شما یک شبکه ی عصبی را آموزش دهید تا با دقت خیره کننده ای تمام انواع و اقسام صندلی های مختلف را تشخیص دهد اما این شبکه چه ویژگی های مشترکی از «صندلی بودن» را استخراج می کند؟ این سوالی است که ذهن بسیاری را به خود مشغول کرد. با این حال بررسی وزن های درون شبکه با اینکه کمک کننده است راه به جایی نمی برد: شما در لابلای وزن های شبکه ی عصبی تصویر یک «صندلی افلاطونی» نخواهید دید! آنچه دیده می شود از قضا بسیار عجیب و غریب و شوکه کننده است. تصاویری که شباهت های تقریبی به چیزهایی دارند که بافت، شکل های هندسی نامنظم یا منظم و بعضا بخش هایی از یک صندلی است اما آنچه در نهایت رخ می دهد این است که چنین «ویژگی» هایی به صورتی «غیرخطی» با هم ترکیب می شوند تا آنچه در نهایت «بازنمایی» صندلی است را بسازند. در اینجا باید صبر کرد و قدری نسبت به ترکیب «غیر خطی» ویژگی ها دقت کرد. بسیاری از مفهوم سازی های ما ویژگی های خطی بسیار ساده ای دارند به طور مثال شما شاید به این فکر میکردید که جایی در شبکه ی عصبی پایه های صندلی را تشخیص بدهد و بخشی پشتی آن و بعد زیر آن و این قسمت ها روی هم قرار میگیرند! اما در عمل چنین «مفهوم سازی» نمی تواند تمام پیچیدگی های جهان را توضیح دهد. چیزی که به صورت ناخودآگاه در مغز ما هم رخ می دهند فرآیند مشابهی است. در مغز سیگنال های مختلف به صورت غیر خطی با هم ترکیب شده تا مفهموم سازی های پیچیده تر و پیچیده تری ایجاد کنند. به این ترتیب ما به توصیفاتی از جهان می رسیم که حتی به صورت دقیق نمی توانیم آن ها را به صورت خطی به اجزای سازنده اش بشکنیم!

اگر طبیعت «غیر خطی بودن» بازنمایی ها و مفهوم سازی را بپذیریم میتوانیم با استفاده از ابزار های پیچیده ی ریاضی نشان دهیم که حتی با وجود اینکه چیزی در زبان عادی در مورد «صندلی» بودن ثابت نیست یک تابع ریاضی نه چندان ساده «صندلی» بودن را توصیف کرده و به ازای تمام ورودی های مختلف شی «صندلی» ثابت و لایتغیر است.

f(x)=C if x is chair

«صندلی» بودن یک ترکیب غیر خطی از ویژگی های زیادی است که شبکه ی عصبی از داده های ورودی خود جمع آوری می کند. از دید ریاضی فضای تمام صندلی های ممکن یک رویه (یا منیفلد)‌در فضای با ابعاد بسیار بالاست. برای تصویر بهتر می تواند تصور کنید که چنین رویه ای به صورت زیر است

www.tgoop.com/matlabtips/1638

465 viewsMay 26, 2024 at 05:19

کار بسیاری دشواری نیست که شما یک شبکه ی عصبی را آموزش دهید تا با دقت خیره کننده ای تمام انواع و اقسام صندلی های مختلف را تشخیص دهد اما این شبکه چه ویژگی های مشترکی از «صندلی بودن» را استخراج می کند؟ این سوالی است که ذهن بسیاری را به خود مشغول کرد. با این حال بررسی وزن های درون شبکه با اینکه کمک کننده است راه به جایی نمی برد: شما در لابلای وزن های شبکه ی عصبی تصویر یک «صندلی افلاطونی» نخواهید دید! آنچه دیده می شود از قضا بسیار عجیب و غریب و شوکه کننده است. تصاویری که شباهت های تقریبی به چیزهایی دارند که بافت، شکل های هندسی نامنظم یا منظم و بعضا بخش هایی از یک صندلی است اما آنچه در نهایت رخ می دهد این است که چنین «ویژگی» هایی به صورتی «غیرخطی» با هم ترکیب می شوند تا آنچه در نهایت «بازنمایی» صندلی است را بسازند. در اینجا باید صبر کرد و قدری نسبت به ترکیب «غیر خطی» ویژگی ها دقت کرد. بسیاری از مفهوم سازی های ما ویژگی های خطی بسیار ساده ای دارند به طور مثال شما شاید به این فکر میکردید که جایی در شبکه ی عصبی پایه های صندلی را تشخیص بدهد و بخشی پشتی آن و بعد زیر آن و این قسمت ها روی هم قرار میگیرند! اما در عمل چنین «مفهوم سازی» نمی تواند تمام پیچیدگی های جهان را توضیح دهد. چیزی که به صورت ناخودآگاه در مغز ما هم رخ می دهند فرآیند مشابهی است. در مغز سیگنال های مختلف به صورت غیر خطی با هم ترکیب شده تا مفهموم سازی های پیچیده تر و پیچیده تری ایجاد کنند. به این ترتیب ما به توصیفاتی از جهان می رسیم که حتی به صورت دقیق نمی توانیم آن ها را به صورت خطی به اجزای سازنده اش بشکنیم!

اگر طبیعت «غیر خطی بودن» بازنمایی ها و مفهوم سازی را بپذیریم میتوانیم با استفاده از ابزار های پیچیده ی ریاضی نشان دهیم که حتی با وجود اینکه چیزی در زبان عادی در مورد «صندلی» بودن ثابت نیست یک تابع ریاضی نه چندان ساده «صندلی» بودن را توصیف کرده و به ازای تمام ورودی های مختلف شی «صندلی» ثابت و لایتغیر است.

f(x)=C if x is chair

«صندلی» بودن یک ترکیب غیر خطی از ویژگی های زیادی است که شبکه ی عصبی از داده های ورودی خود جمع آوری می کند. از دید ریاضی فضای تمام صندلی های ممکن یک رویه (یا منیفلد)‌در فضای با ابعاد بسیار بالاست. برای تصویر بهتر می تواند تصور کنید که چنین رویه ای به صورت زیر است

BY MatlabTips