Өмнөх үг
Эрхэм уншигч танд энэ өдрийн мэндийг хүргэе. Энэхүү нийтлэл нь өмнөх Гүн сургалтыг гүнээс нь сурцгаая №1 нийтлэлийн үргэлжлэл учир өмнөхийг нь уншаагүй бол заавал уншаад эргэж ирээрэй.
Өмнөх нийтлэлээр
Бид өмнөх нийтлэлээр “нийтлэл унших эсэх” ийг шийддэг доорх загварыг ойлгоод дууссан.Энэхүү персептрон загвар нь 3н оролттой. Түүнээс хамааран нийтлэл унших эсэхийг шийддэг билээ.
- x=> Надад зав байгаа юу?
- y=> Нийтлэлийн гарчиг сонирхол татахуйц байна уу?
- z=> Миний сонирхдог төрлийн сэдэв мөн үү?
Энэхүү загварыг томъёолбол:
Та өмнөх нийтлэлээс персептрон нь оролтын хувьсагчуудаа 0,1 ээр авдаг бөгөөд бидний загварын гол тохируулж өгч байгаа зүйл нь weights буюу жингээс ихээхэн хамаардаг гэдгийг ойлгосон байх. Түүнчлэн тухайн жингүүдийг тус тусын оролтын хувьсагчуудтай үржүүлж нэмээд тэр нь манай босго утга буюу weights-ээс их үү гэдгээр гаралт буюу шийдвэр гардаг. Тэгэхээр таны босго утга их бол та нийтлэл унших нэлээн дургүй хүн болно. Харин их бол нэлээн дуртай хүн болж таарч байгаа биз.
Layer ( Давхарга)
Бид жин болон босго утгыг ашиглан маш олон өөр өөр загвар гаргаж авах боломжтой боловч Бодит амьдрал дээр комплекс шийдвэрүүдийг 3 хан хувьсагчаар илэрхийлэх боломжгүй талаар өмнөх нийтлэлээр цухас дурдсан.
Тэгвэл өмнө нь үзсэн нэг ширхэг персептроныг өргөжүүлээд олон болговол яах вэ? Илүү комплекс шийдлийг гаргаж ухаалаг байж чадах уу? энэхүү нийтлэлээрээ харцгаая.
Зураг дээрх систем нь 5н оролт авдаг бөгөөд эхний 3н персептрон нь 5н хувьсагчаас хамааран шийдвэр гаргадаг бол дараа нь цувуулан байрлуулсан 2 персептрон нь өмнөх 3н персептроны хариу нь дээр үндэслэн шийдвэрээ гаргах юм. Энэхүү шатлал бүрийг давхарга буюу Layer гэж нэрлэдэг. Олон давхаргатай болох тусам илүү хэцүү асуудлуудыг шийдэх боломжтой болно.
Вектор илэрхийлэл
Энэхүү томьёог илүү хөнгөвчлөөд жин болон оролтуудыг w болон x гэсэн харгалзах вектор маягаар илэрхийлье. Дээрх томьёо бүр яг скаляр үржвэр байгаа биз дээ. w⋅x ≡∑ j wj* xj гэсэн үг шүү дээ.
Bias
За одоо бүгдээрээ дахиад ганцхан өөрчлөлт хийнэ. Босго утгыг үржвэрүүдийн нийлбэрээс их үү? гэдгээр хариу гарч байсан шүү дээ. Босго утгыг тэнцэтгэл бишийн нөгөө талд гаргаад үзье. Ингэж бичигдсэн босго утгыг bias гэж нэрлээд b үсгээр тэмдэглэдэг. Өөрөөр хэлбэл b= – босго утга болно. Цаашдаа дандаа Bias гэдгээр нь ашиглаад явна.
Ингээд дахин загвараа бичвэл:
Bias нь оролтын утгаас үл хамааран гаралт дээр нэмэгдэж байгаа биз. Өөр өнцгөөс нь хэлбэл манай персептрон хэр амархан идэвхжих (1 утга гаргах) вэ гэдгийг bias илэрхийлж байгаа гэсэн үг.
NAND хаалга
Бүгдээрээ одоо NAND хаалганы ажиллагааг персептрон ашиглан хийцгээе. Nand хаалга нь 2 утга хоёулаа 1 байх үед л 0 гаргах ёстой. Энэ чанарыг хэрэгжүүлэхийн тулд хоёр утгын жинд -2 тэгээд bias- д нь 3 ийг өгье. Тэгвэл бидний хүссэн үр дүн гарна өөрөө туршаад үзээрэй.
Нэмэх үйлдлийн сүлжээ
NAND ийг ашиглаад нэмэх үйлдэл хийдэг сүлжээ хийцгээе. Бид 2 тын нэмэх үйлдэл хийнэ. Ингэхийн тулд бидэнд нэмэх хоёр утга болон гаралтын 2 утга ( нийлбэр, санах орон) хэрэгтэй. Үүнийг өөрөө цаасан дээр зурж гүйцэтгээрэй. Доорх сүлжээ нь b=-1 персептроноор OR b=-3 персептроноор AND b=3 персептроноор NAND хаалганы шинжийг дүрслэн нэмэх үйлдлийг гүйцэтгэдэг болголоо.
Дүгнэлт
Энэхүү нийтлэлээрээ персептронууд хоорондоо нийлж ажиллаж илүү төвөгтэй асуудлуудыг шийддэг загвар болдгийг харлаа. Дараагийн нийтлэлээрээ сигмойд загварыг тайлбарлах болно. Дараагийн нийтлэлээрээ уулзахыг тэсэн ядан хүлээж байна.
