فهم مفاهيم التعلم العميق
في الدماغ، لديك خلايا عصبية تسمى الخلايا العصبية، والتي ترتبط ببعضها البعض عن طريق ملحقات الأعصاب التي تمرر الإشارات الكهروكيميائية عبر الشبكة.
عندما يتم تحفيز أول خلية عصبية في الشبكة، تتم معالجة إشارة الإدخال، وإذا تجاوزت عتبة معينة، يتم تنشيط الخلايا العصبية وتمرير الإشارة إلى الخلايا العصبية التي تتصل بها. يمكن تنشيط هذه الخلايا العصبية بدورها وتمرير الإشارة عبر بقية الشبكة. مع مرور الوقت، يتم تعزيز الاتصالات بين الخلايا العصبية عن طريق الاستخدام المتكرر كما تتعلم كيفية الاستجابة بفعالية. على سبيل المثال، إذا ظهرت لك صورة للبطريق، فإن اتصالات الخلايا العصبية تمكنك من معالجة المعلومات الموجودة في الصورة ومعرفتك بخصائص البطريق لتحديدها على هذا النحو. مع مرور الوقت، إذا كنت تظهر صور متعددة لحيوانات مختلفة، فإن شبكة الخلايا العصبية المشاركة في تحديد بناء على خصائصها تنمو أقوى. وبعبارة أخرى، يمكنك الحصول على أفضل في تحديد بدقة المختلفة.
يحاكي التعلم العميق هذه العملية البيولوجية باستخدام الشبكات العصبية الاصطناعية التي تعالج المدخلات الرقمية بدلا من المحفزات الكهروكيميائية.
يتم استبدال اتصالات الأعصاب الواردة بمدخلات رقمية يتم تحديدها عادة على أنها x. عندما يكون هناك أكثر من قيمة إدخال واحدة، تعتبر x متجها مع عناصر تسمى x1وx2 وما إلى ذلك.
يرتبط بكل قيمة س هو الوزن (w)، والذي يستخدم لتقوية أو إضعاف تأثير قيمة x لمحاكاة التعلم. بالإضافة إلى ذلك، تتم إضافة إدخال تحيز (ب) لتمكين التحكم الدقيق في الشبكة. أثناء عملية التدريب، يتم ضبط قيم wوb لضبط الشبكة بحيث "تتعلم" لإنتاج مخرجات صحيحة.
تغلف الخلايا العصبية نفسها دالة تحسب مجموعا مرجحا من xوwوb. هذه الدالة بدورها محاطة بوظيفة تنشيط التي تقيد النتيجة (غالبا إلى قيمة بين 0 و1) لتحديد ما إذا كانت الخلايا العصبية تمرر إخراجا إلى الطبقة التالية من الخلايا العصبية في الشبكة أم لا.
تدريب نموذج التعلم العميق
نماذج التعلم العميق هي شبكات عصبية تتكون من طبقات متعددة من الخلايا العصبية الاصطناعية. تمثل كل طبقة مجموعة من الدالات التي يتم تنفيذها على قيم x مع الأوزان w المقترنة وتحيزات b ، وتنتج الطبقة النهائية على إخراج تسمية y التي يتوقعها النموذج. في حالة نموذج التصنيف (الذي يتوقع الفئة أو الفئة الأكثر احتمالا لبيانات الإدخال)، يكون الإخراج متجها يحتوي على الاحتمال لكل فئة ممكنة.
يمثل الرسم التخطيطي التالي نموذج تعلم عميق يتنبأ بفئة كيان البيانات استنادا إلى أربع ميزات (قيم x ). إخراج النموذج (قيم y ) هو الاحتمال لكل من تسميات الفئات الثلاثة المحتملة.
لتدريب النموذج، يغذي إطار التعلم العميق دفعات متعددة من بيانات الإدخال (التي تعرف قيم التسمية الفعلية لها)، ويطبق الوظائف في جميع طبقات الشبكة، ويقيس الفرق بين احتمالات الإخراج وتسميات الفئة المعروفة الفعلية لبيانات التدريب. يعرف الفرق المجمع بين مخرجات التنبؤ والتسميات الفعلية باسم الخسارة.
بعد حساب الخسارة الإجمالية لجميع دفعات البيانات، يستخدم إطار التعلم العميق محسنا لتحديد كيفية تعديل الأوزان والتحيزات في النموذج من أجل تقليل الخسارة الإجمالية. ثم يتم توفير هذه التعديلات مرة أخرى إلى الطبقات في نموذج الشبكة العصبية، ثم يتم تمرير البيانات عبر الشبكة مرة أخرى وإعادة حساب الخسارة. تتكرر هذه العملية عدة مرات (يعرف كل تكرار باسم فترة) حتى يتم تقليل الخسارة وقد "تعلم" النموذج الأوزان والتحيزات الصحيحة لتكون قادرة على التنبؤ بدقة.
خلال كل فترة، يتم تعديل الأوزان والتحيزات لتقليل الخسارة. يتحكم معدل التعلم الذي تحدده للمحسن في المقدار الذي يتم تعديلها به. إذا كان معدل التعلم منخفضا جدا، فقد تستغرق عملية التدريب وقتا طويلا لتحديد القيم المثلى؛ ولكن إذا كان مرتفعا جدا، فقد لا يعثر المحسن أبدا على القيم المثلى.