多層人工ニューラルネットワークの方法は何ですか？

人工ニューラルネットワークは、パーセプトロンモデルよりも複雑なメカニズムを持っています。多層人工ニューラルネットワークには、次のようないくつかの方法があります-

ネットワークには、入力層と出力層の間に複数の中間層を含めることができます。このような中間層は非表示層と呼ばれ、これらの層にインストールされているノードは非表示ノードと呼ばれます。結果として得られるアーキテクチャは、多層ニューラルネットワークと呼ばれます。

フィードフォワードニューラルネットワークでは、1つの層のノードは、次の層のノードにのみリンクされます。パーセプトロンは、複雑な数値演算を実装する出力層のノードが1層しかないため、単層のフィードフォワードニューラルネットワークです。リカレントニューラルネットワークでは、リンクは類似層内のノードまたは1つの層から前の層へのノードを接続できます。

ネットワークは、符号関数以外の活性化関数の方法を使用できます。線形、シグモイド（ロジスティック）、双曲線正接関数などの複数の活性化関数のインスタンス。これらの活性化関数により、非表示ノードと出力ノードは、入力パラメーターで非線形の出力値を作成できます。

これらのより複雑なことにより、多層ニューラルネットワークは入力変数と出力変数の間のより複雑な関係をモデル化できます。インスタンスは、入力スペースを特定のクラスに分割する2つの超平面を使用して定義できます。

ANNモデルの重みを理解できます。十分な量のトレーニングデータがサポートされている場合、適切なソリューションにアセンブルする効率的なアルゴリズムが必要です。 1つの方法は、ネットワーク内の各隠れノードまたは出力ノードを個別のパーセプトロンユニットと見なし、等しい重みの更新式を使用することです。

この方法は、隠れノードの正しい出力に関する先験的な知識が不足している可能性があるため、機能しません。これにより、誤差項の決定が複雑になります（y – y ^’ ）、各隠れノードに関連します。ニューラルネットワークの重みを理解するための方法論は、次に勾配降下法に依存します。

ANN学習アルゴリズムの目的は、二乗誤差の合計を最小化する重みwのクラスを決定することです-

$$ \ mathrm {E（w）\：=\：\ frac {1} {2} \ displaystyle \ sum \ Limits_ {i =1} ^ N（Y_ {i} -Y ^ {'} _ i）^ 2 } $$

予測されたクラスy ^’ のため、誤差の二乗和はwに基づいています。 非表示ノードと出力ノードに作成された重みの関数です。この場合、シグモイド関数やtanh関数などの活性化関数を選択できるため、ANNの出力はパラメーターの非線形関数になります。