Perceptron چیست: راهنمای مبتدی برای Perceptron

یک پیوند شبکه عصبی که حاوی محاسباتی برای ردیابی ویژگی ها است و از هوش مصنوعی در داده های ورودی استفاده می کند ، به عنوان Perceptron شناخته می شود. این عصبی با استفاده از دروازه های منطقی ساده با خروجی های باینری به نورونهای مصنوعی پیوند می یابد. یک نورون مصنوعی عملکرد ریاضی را فراخوانی می کند و دارای گره ، ورودی ، وزن و خروجی معادل هسته سلول ، دندریت ها ، سیناپس و آکسون در مقایسه با یک نورون بیولوژیکی است.

طبقه بندی باینری در یادگیری ماشین چیست؟

طبقه بندی باینری در یادگیری ماشین نوعی مدل است که برای طبقه بندی داده ها به یکی از دو دسته ممکن آموزش داده می شود ، که به طور معمول به عنوان برچسب های باینری مانند 0 یا 1 ، درست یا نادرست یا مثبت یا منفی نشان داده می شود. به عنوان مثال ، یک طبقه بندی کننده باینری ممکن است برای تمایز بین ایمیل های اسپم و غیر اسپم یا پیش بینی اینکه آیا معامله کارت اعتباری کلاهبرداری یا قانونی است ، آموزش داده شود.

طبقه بندی کننده های باینری یک ساختمان اساسی در بسیاری از برنامه های یادگیری ماشین هستند و الگوریتم های بی شماری وجود دارد که می تواند برای ساخت آنها مورد استفاده قرار گیرد ، از جمله رگرسیون لجستیک ، دستگاه های بردار پشتیبانی (SVM) ، درختان تصمیم گیری ، جنگل های تصادفی و شبکه های عصبی. این مدل ها به طور معمول با استفاده از داده های دارای برچسب آموزش داده می شوند ، جایی که برچسب صحیح یا دسته بندی برای هر مثال در مجموعه آموزش شناخته شده است ، و سپس برای پیش بینی دسته نمونه های جدید و غیب مورد استفاده قرار می گیرد.

عملکرد یک طبقه بندی باینری به طور معمول با استفاده از معیارهایی مانند دقت ، دقت ، فراخوان و نمره F1 ارزیابی می شود که اندازه گیری می کند که چگونه مدل قادر به شناسایی صحیح نمونه های مثبت و منفی در داده ها است. طبقه بندی کننده های باینری با کیفیت بالا برای طیف گسترده ای از برنامه های کاربردی ، از جمله پردازش زبان طبیعی ، بینایی رایانه ، تشخیص کلاهبرداری و تشخیص پزشکی از جمله بسیاری دیگر ضروری است.

امروز به صنعت فناوری سریع در حال رشد بپیوندید!

برنامه گواهینامه حرفه ای در برنامه اکتشاف AI و ML

نورون بیولوژیکی

مغز انسان میلیاردها نورون دارد. سلولهای عصبی به هم پیوسته در مغز انسان هستند که در پردازش و انتقال سیگنال های شیمیایی و الکتریکی نقش دارند. دندریت ها شاخه هایی هستند که از سلولهای عصبی دیگر اطلاعات دریافت می کنند.

هسته سلول یا سوما اطلاعات دریافت شده از دندریت ها را پردازش می کند. آکسون کابل است که توسط نورون ها برای ارسال اطلاعات استفاده می شود. سیناپس ارتباط بین آکسون و سایر دندریت های نورون است.

بگذارید در مورد ظهور نورونهای مصنوعی در بخش بعدی بحث کنیم.

ظهور نورون های مصنوعی (بر اساس نورون بیولوژیکی)

محققان وارن مک کالوک و والتر پیتز اولین مفهوم خود را در مورد سلول ساده مغز در سال 1943 منتشر کردند. این نورون McCullock-Pitts (MCP) نامیده شد. آنها چنین سلول عصبی را به عنوان یک دروازه منطقی ساده با خروجی باینری توصیف کردند.

سیگنال های متعدد به دندریت ها می رسند و سپس در بدن سلول ادغام می شوند و اگر سیگنال انباشته از یک آستانه خاص فراتر رود ، یک سیگنال خروجی تولید می شود که توسط آکسون منتقل می شود. در بخش بعدی ، اجازه دهید در مورد نورون مصنوعی صحبت کنیم.

نورون مصنوعی چیست

یک نورون مصنوعی یک عملکرد ریاضی است که مبتنی بر یک مدل از نورونهای بیولوژیکی است ، که در آن هر نورون ورودی را می گیرد ، آنها را به طور جداگانه وزن می کند ، آنها را خلاصه می کند و این مبلغ را از طریق یک عملکرد غیرخطی برای تولید خروجی منتقل می کند.

در بخش بعدی ، اجازه دهید نورون بیولوژیکی را با نورون مصنوعی مقایسه کنیم.

فرصت های شغلی را در تجزیه و تحلیل داده ها کاوش کنید

وبینار رایگان |26 آوریل ، چهارشنبه |ساعت 10 بعد از ظهر IST اکنون ثبت نام کنید

نورون بیولوژیکی در مقابل نورون مصنوعی

نورون بیولوژیکی به صورت زیر با نورونهای مصنوعی مشابه است:

هسته سلول (سوما)

وزنه ها یا اتصالات

نورون مصنوعی در یک نگاه

نورون مصنوعی ویژگی های زیر را دارد:

• نورون یک عملکرد ریاضی است که بر روی کار نورونهای بیولوژیکی مدل شده است
• این یک واحد ابتدایی در یک شبکه عصبی مصنوعی است
• یک یا چند ورودی به طور جداگانه وزن دارند
• ورودی ها خلاصه و از طریق یک عملکرد غیرخطی برای تولید خروجی منتقل می شوند
• هر نورون یک حالت داخلی به نام سیگنال فعال سازی دارد
• هر پیوند اتصال اطلاعاتی در مورد سیگنال ورودی دارد
• هر نورون از طریق پیوند اتصال به نورون دیگری متصل می شود

در بخش بعدی ، اجازه دهید در مورد Perceptrons صحبت کنیم.

پیج

Perceptron توسط فرانک روزنبلات در سال 1957 معرفی شد. وی یک قانون یادگیری Perceptron را بر اساس نورون اصلی MCP پیشنهاد داد. Perceptron یک الگوریتم برای یادگیری نظارت بر طبقه بندی های باینری است. این الگوریتم نورونها را قادر می سازد عناصر موجود در آموزش را یک بار یاد بگیرند و پردازش کنند.

در همه چیز AI و ML متخصص شوید!

برنامه تحصیلات تکمیلی Caltech در برنامه اکتشاف AI & ML

اجزای اساسی Perceptron

Perceptron نوعی شبکه عصبی مصنوعی است که یک مفهوم اساسی در یادگیری ماشین است. اجزای اصلی یک Perceptron عبارتند از:

1. لایه ورودی: لایه ورودی از یک یا چند نورون ورودی تشکیل شده است که سیگنال های ورودی را از دنیای خارجی یا از لایه های دیگر شبکه عصبی دریافت می کنند.
2. وزن ها: هر نورون ورودی با یک وزن مرتبط است که نشان دهنده قدرت ارتباط بین نورون ورودی و نورون خروجی است.
3. بایاس: یک اصطلاح بایاس به لایه ورودی اضافه می شود تا پرسپترون انعطاف بیشتری در مدل سازی الگوهای پیچیده در داده های ورودی داشته باشد.
4. تابع فعال سازی: تابع فعال سازی خروجی پرسپترون را بر اساس مجموع وزنی ورودی ها و عبارت بایاس تعیین می کند. توابع فعال سازی رایج مورد استفاده در پرسپترون ها شامل تابع گام، تابع سیگموئید و تابع ReLU است.
5. خروجی: خروجی پرسپترون یک مقدار باینری منفرد، 0 یا 1 است که نشان دهنده کلاس یا دسته ای است که داده های ورودی به آن تعلق دارند.
6. الگوریتم آموزشی: پرسپترون معمولاً با استفاده از یک الگوریتم یادگیری نظارت شده مانند الگوریتم یادگیری پرسپترون یا انتشار پس زمینه آموزش داده می شود. در طول تمرین، وزن ها و سوگیری های پرسپترون برای به حداقل رساندن خطا بین خروجی پیش بینی شده و خروجی واقعی برای مجموعه ای از مثال های تمرینی تنظیم می شوند.
7. به طور کلی، پرسپترون یک الگوریتم ساده و در عین حال قدرتمند است که می تواند برای انجام وظایف طبقه بندی باینری استفاده شود و راه را برای شبکه های عصبی پیچیده تر که امروزه در یادگیری عمیق استفاده می شوند هموار کرده است.

انواع پرسپترون:

1. تک لایه: پرسپترون تک لایه فقط می تواند الگوهای قابل جداسازی خطی را یاد بگیرد.
2. چند لایه: پرسپترون های چندلایه می توانند در مورد دو یا چند لایه که دارای قدرت پردازش بیشتری هستند یاد بگیرند.

الگوریتم پرسپترون وزن سیگنال های ورودی را به منظور ترسیم یک مرز تصمیم گیری خطی می آموزد.

توجه: یادگیری نظارت شده نوعی از یادگیری ماشینی است که برای یادگیری مدل ها از داده های آموزشی برچسب گذاری شده استفاده می شود. پیش بینی خروجی را برای داده های آینده یا دیده نشده امکان پذیر می کند. اجازه دهید در بخش بعدی روی قانون یادگیری پرسپترون تمرکز کنیم.

پرسپترون در یادگیری ماشینی

متداول ترین اصطلاح در هوش مصنوعی و یادگیری ماشین (AIML) Perceptron است. این مرحله آغازین یادگیری کدگذاری و فن آوری های یادگیری عمیق است که شامل مقادیر ورودی ، نمرات ، آستانه ها و وزنهای اجرای دروازه های منطق است. Perceptron مرحله پرورش یک پیوند عصبی مصنوعی است. در قرن 19 ساعت ، آقای فرانک روزنبلات Perceptron را برای انجام محاسبات سطح بالا خاص برای تشخیص قابلیت های داده های ورودی یا هوش تجاری اختراع کرد. با این حال ، اکنون برای اهداف مختلف دیگر استفاده می شود.

تاریخچه

Perceptron توسط فرانک روزنبلات در سال 1958 به عنوان نوعی از شبکه عصبی مصنوعی قادر به یادگیری و انجام کارهای طبقه بندی باینری معرفی شد. روزنبلات یک روانشناس و دانشمند رایانه ای بود که علاقه مند به ایجاد دستگاهی بود که می توانست الگوهای داده را با الهام از عملکرد مغز انسان بیاموزد و تشخیص دهد.

Perceptron مبتنی بر مفهوم یک واحد محاسباتی ساده بود که یک یا چند ورودی را می گیرد و یک خروجی واحد تولید می کند ، که پس از ساختار و عملکرد یک نورون در مغز مدل شده است. Perceptron به گونه ای طراحی شده است که بتواند از مثالها یاد بگیرد و پارامترهای آن را تنظیم کند تا دقت آن را در طبقه بندی نمونه های جدید بهبود بخشد.

در ابتدا از الگوریتم Perceptron برای حل مشکلات ساده مانند شناخت شخصیت های دست نویس استفاده می شد ، اما به زودی به دلیل ظرفیت محدود آن برای یادگیری الگوهای پیچیده و عدم توانایی آن در رسیدگی به داده های غیر خطی جدا شده ، با انتقاد روبرو شد. این محدودیت ها منجر به کاهش تحقیقات در مورد Perceptrons در دهه 1960 و 1970 شد.

با این حال ، در دهه 1980 ، توسعه Backpropagation ، یک الگوریتم قدرتمند برای آموزش شبکه های عصبی چند لایه ، علاقه به شبکه های عصبی مصنوعی را تجدید کرد و دوره جدیدی از تحقیق و نوآوری در یادگیری ماشین را برانگیخت. امروزه ، Perceptrons به عنوان ساده ترین شکل شبکه های عصبی مصنوعی در نظر گرفته می شود و هنوز هم در برنامه هایی مانند تشخیص تصویر ، پردازش زبان طبیعی و تشخیص گفتار مورد استفاده قرار می گیرد.

مدل Perceptron در یادگیری ماشین چیست؟

یک الگوریتم مبتنی بر دستگاه که برای یادگیری نظارت شده از کارهای مختلف مرتب سازی باینری استفاده می شود ، Perceptron نامیده می شود. علاوه بر این ، Perceptron همچنین به عنوان یک نورون مصنوعی یا پیوند عصبی در تشخیص برخی از محاسبات داده های ورودی در هوش تجاری نقش اساسی دارد. یک مدل Perceptron همچنین به عنوان یکی از بهترین و خاص ترین انواع شبکه های عصبی مصنوعی طبقه بندی می شود. به عنوان یک الگوریتم یادگیری تحت نظارت از طبقه بندی کننده های باینری ، می توانیم آن را یک شبکه عصبی تک لایه با چهار پارامتر اصلی در نظر بگیریم: مقادیر ورودی ، وزن و تعصب ، جمع خالص و یک عملکرد فعال سازی.

Perceptron چگونه کار می کند؟

همانطور که قبلاً مورد بحث قرار گرفت ، Perceptron یک پیوند عصبی یک لایه با چهار پارامتر اصلی در نظر گرفته می شود. مدل Perceptron با ضرب همه مقادیر ورودی و وزن آنها شروع می شود ، سپس این مقادیر را اضافه می کند تا مبلغ وزنی را ایجاد کند. علاوه بر این ، این مبلغ وزنی برای به دست آوردن خروجی مورد نظر برای عملکرد فعال سازی "F" اعمال می شود. این عملکرد فعال سازی همچنین به عنوان عملکرد مرحله شناخته می شود و توسط "f" نشان داده شده است.

حسن نیت ارائه می دهد: Javapoint

این عملکرد مرحله یا عملکرد فعال سازی برای اطمینان از نقشه برداری خروجی بین (1/0) یا (-1،1) بسیار مهم است. توجه داشته باشید که وزن ورودی نشانگر قدرت گره است. به طور مشابه ، یک مقدار ورودی توانایی تغییر منحنی عملکرد فعال سازی را به بالا یا پایین می دهد.

مرحله 1: تمام مقادیر ورودی را با مقادیر وزن مربوطه ضرب کرده و سپس برای محاسبه مبلغ وزنی اضافه کنید. در زیر بیان ریاضی آن است:

∑wi*xi = x1*w1 + x2*w2 + x3*w3 + …… .. x4*w4

برای بهبود عملکرد مدل ، اصطلاحی به نام Bias ‘B" را به این مبلغ وزنی اضافه کنید.

مرحله 2: یک تابع فعال سازی با مبلغ وزنی فوق الذکر اعمال می شود و به ما خروجی یا به صورت باینری یا مقدار مداوم به شرح زیر می دهد:

حرفه علوم داده شما از امروز آغاز می شود!

برنامه تحصیلات تکمیلی Caltech در برنامه اکتشاف علوم داده

انواع مدل های Perceptron

ما قبلاً در مورد انواع مدل های Perceptron در مقدمه بحث کرده ایم. در اینجا ، ما باید نگاهی عمیق تر به این موضوع بیان کنیم:

1. مدل Perceptron تک لایه: یکی از ساده ترین انواع Ann (شبکه های عصبی مصنوعی) از یک شبکه تغذیه به جلو تشکیل شده است و شامل انتقال آستانه در داخل مدل است. هدف اصلی مدل Perceptron تک لایه ، تجزیه و تحلیل اشیاء قابل جدا شدن خطی با نتایج باینری است. یک Perceptron یک لایه فقط می تواند الگوهای جداگانه ای را بیاموزد.
2. مدل Perceptron چند لایه: عمدتا شبیه به یک مدل Perceptron تک لایه است اما دارای لایه های پنهان تری است.

مرحله به جلو: از لایه ورودی در مرحله ، توابع فعال سازی بر روی لایه خروجی شروع و خاتمه می یابد.

مرحله به عقب: در مرحله عقب مانده ، مقادیر وزن و تعصب در هر مورد نیاز مدل اصلاح می شود. در پشت صحنه خطای بین خروجی واقعی و خواسته های منشأ عقب بر روی لایه خروجی را حذف کرد. یک مدل Perceptron چند لایه دارای قدرت پردازش بیشتر است و می تواند الگوهای خطی و غیر خطی را پردازش کند. علاوه بر این ، همچنین دروازه های منطقی مانند و ، یا ، XOR ، XNOR و NOR را پیاده سازی می کند.

مزایای:

• یک مدل Perceptron چند لایه می تواند مشکلات پیچیده غیر خطی را حل کند.

• با داده های ورودی کوچک و بزرگ به خوبی کار می کند.

• به ما کمک می کند تا پیش بینی های سریع را بعد از آموزش بدست آوریم.

• به ما کمک می کند تا با داده های بزرگ و کوچک ، همان نسبت دقت را بدست آوریم.

مضرات:

• در مدل Perceptron چند لایه ، محاسبات وقت گیر و پیچیده هستند.

• پیش بینی اینکه چقدر متغیر وابسته بر هر متغیر مستقل تأثیر می گذارد دشوار است.

• عملکرد مدل به کیفیت آموزش بستگی دارد.

ویژگی های مدل Perceptron

موارد زیر ویژگی های یک مدل Perceptron است:

1. این یک الگوریتم یادگیری ماشین است که از یادگیری نظارت شده از طبقه بندی های باینری استفاده می کند.
2. در Perceptron ، ضریب وزن به طور خودکار آموخته می شود.
3. در ابتدا ، وزن ها با ویژگی های ورودی ضرب می شوند و سپس تصمیم می گیرد که آیا نورون اخراج شده است یا خیر.
4. عملکرد فعال سازی یک قانون مرحله برای بررسی اینکه آیا عملکرد از صفر قابل توجه تر است ، اعمال می شود.
5. مرز تصمیم گیری خطی ترسیم شده است و باعث تمایز بین دو کلاس قابل جدا شدن خطی +1 و-1 می شود.
6. اگر مبلغ اضافه شده تمام مقادیر ورودی بیشتر از مقدار آستانه باشد ، باید سیگنال خروجی داشته باشد. در غیر این صورت ، هیچ خروجی نشان داده نمی شود.

محدودیت مدل Perceptron

موارد زیر محدودیت یک مدل Perceptron است:

1. خروجی یک Perceptron فقط به دلیل عملکرد انتقال سخت می تواند یک عدد باینری (0 یا 1) باشد.
2. فقط می توان از آن برای طبقه بندی مجموعه های جداگانه از بردارهای ورودی استفاده کرد. اگر بردارهای ورودی غیر خطی باشند ، طبقه بندی صحیح آنها آسان نیست.

با Purdue & IBM یک متخصص هوش مصنوعی و ML شوید!

برنامه گواهینامه حرفه ای در برنامه اکتشاف AI و ML

قانون یادگیری Perceptron

قانون یادگیری Perceptron بیان می کند که الگوریتم به طور خودکار ضرایب بهینه وزن را یاد می گیرد. ویژگی های ورودی سپس با این وزنه ها ضرب می شوند تا مشخص شود که آیا یک نورون آتش می گیرد یا خیر.

Perceptron چندین سیگنال ورودی را دریافت می کند ، و اگر مجموع سیگنال های ورودی از یک آستانه خاص فراتر رود ، یا یک سیگنال را خروجی می کند یا خروجی را باز نمی گرداند. در زمینه یادگیری و طبقه بندی تحت نظارت ، از این پس می توان برای پیش بینی کلاس یک نمونه استفاده کرد.

در مرحله بعد ، اجازه دهید ما روی عملکرد Perceptron تمرکز کنیم.

تابع

Perceptron تابعی است که ورودی آن "X" را ترسیم می کند ، که با ضریب وزن آموخته شده ضرب می شود. مقدار خروجی "F (x)" تولید می شود.

در معادله ذکر شده در بالا:

• "W" = بردار وزن واقعی
• "B" = Bias (عنصری که مرز را به دور از مبدا تنظیم می کند بدون هیچ گونه وابستگی به مقدار ورودی)
• "x" = بردار مقادیر x ورودی

• "M" = تعداد ورودی به Perceptron

خروجی را می توان به عنوان "1" یا "0." نشان دادهمچنین بسته به اینکه از عملکرد فعال سازی استفاده می شود ، می تواند به عنوان "1" یا "-1" معرفی شود.

بگذارید ورودی های یک Perceptron را در بخش بعدی بیاموزیم.

ورودی های یک perceptron

Perceptron ورودی ها را می پذیرد ، آنها را با مقادیر وزن خاصی تعدیل می کند ، سپس عملکرد تبدیل را برای خروج نتیجه نهایی اعمال می کند. تصویر زیر Perceptron را با خروجی بولی نشان می دهد.

خروجی بولی مبتنی بر ورودی هایی مانند حقوق ، متاهل ، سن ، مشخصات اعتبار گذشته و غیره است. این فقط دو ارزش دارد: بله و نه یا درست و نادرست. عملکرد جمع بندی "∑" تمام ورودی های "X" را با وزن "W" ضرب می کند و سپس آنها را به شرح زیر اضافه می کند:

در بخش بعدی ، اجازه دهید در مورد عملکردهای فعال سازی Perceptrons بحث کنیم.

آموزش عمیق رایگان برای مبتدیان

اصول اولیه یادگیری عمیق را ثبت کنید

توابع فعال سازی Perceptron

عملکرد فعال سازی یک قانون مرحله (تبدیل خروجی عددی را به 1+ ی ا-1) اعمال می کند تا بررسی کند که آیا خروجی عملکرد وزنه برداری بیشتر از صفر است یا خیر.

If ∑ wixi> 0 =>سپس خروجی نهایی "O" = 1 (وام بانکی شماره)

در غیر این صورت ، خروجی نهایی "O" = -1 (وام بانکی را انکار می کند)

عملکرد مرحله بالاتر از مقدار مشخصی از خروجی نورون است. در غیر این صورت صفر است. بسته به اینکه آیا خروجی نورون از صفر بیشتر است یا خیر ، خروجی های عملکرد علامت +1 ی ا-1 را نشان می دهد. Sigmoid منحنی S است و مقدار بین 0 تا 1 را خروجی می کند.

خروجی Perceptron

Perceptron با خروجی بولی:

Weights: wi=>سهم ورودی XI به خروجی Perceptron ؛

w0=>تعصب یا آستانه

If ∑w.x>0 ، خروجی +1 ، othe r-1 است. نورون فقط هنگامی که ورودی وزنی به مقدار آستانه خاصی برسد ، تحریک می شود.

خروجی +1 مشخص می کند که نورون شروع شده است. خروج ی-1 مشخص می کند که نورون تحریک نشده است.

"SGN" مخفف عملکرد علامت با خروجی +1 ی ا-1 است.

خطا در Perceptron

در قانون یادگیری Perceptron ، خروجی پیش بینی شده با خروجی شناخته شده مقایسه می شود. اگر مطابقت نداشته باشد ، خطا به عقب پخش می شود تا تنظیم وزن رخ دهد.

بگذارید در مورد عملکرد تصمیم Perceptron در بخش بعدی بحث کنیم.

دوره یادگیری ماشین رایگان

مهارت ها و ابزارهای یادگیری ماشین را در صورت تقاضا بیاموزید و شروع به یادگیری کنید

Perceptron: عملکرد تصمیم گیری

یک عملکرد تصمیم φ (z) از Perceptron برای گرفتن ترکیبی خطی از بردارهای X و W تعریف شده است.

مقدار z در عملکرد تصمیم توسط:

اگر Z از آستانه θ بیشتر باشد ، عملکرد تصمیم گیری 1+ است و در غیر این صور ت-1 است.

این الگوریتم Perceptron است.

واحد تعصب

برای سادگی ، آستانه θ را می توان به سمت چپ آورد و به عنوان W0X0 ، جایی که W0 = -θ و x0 = 1 نشان می دهد.

مقدار W0 واحد تعصب نامیده می شود.

عملکرد تصمیم گیری می شود:

شکل نشان می دهد که چگونه عملکرد تصمیم WTX را به +1 ی ا-1 و چگونه می توان از آن برای تمایز بین دو کلاس جدا از خطی استفاده کرد.

دوره رایگان: الگوریتم های یادگیری ماشین

اصول اولیه الگوریتم های یادگیری ماشین را یاد بگیرید

Perceptron در یک نگاه

Perceptron ویژگی های زیر را دارد:

• Perceptron یک الگوریتم برای یادگیری تحت نظارت طبقه بندی کننده های خطی باینری تک لایه است.
• ضرایب بهینه وزن به طور خودکار آموخته می شوند.
• وزنه ها با ویژگی های ورودی ضرب می شوند و در صورت شلیک نورون یا نه تصمیم گیری می شود.
• عملکرد فعال سازی یک قانون مرحله برای بررسی اینکه آیا خروجی عملکرد وزنه برداری بیشتر از صفر است ، اعمال می شود.
• مرز تصمیم گیری خطی ترسیم شده است که تمایز بین دو کلاس قابل جدا شدن خطی +1 و-1 را فراهم می کند.
• اگر مجموع سیگنال های ورودی از آستانه خاصی فراتر رود ، یک سیگنال را خروجی می کند. در غیر این صورت ، هیچ خروجی وجود ندارد.

انواع توابع فعال سازی شامل توابع علامت ، مرحله و سیگموئید است.

دروازه های منطقی را با Perceptron پیاده سازی کنید

Perceptron - Hyperplane طبقه بندی کننده

اگر این دو کلاس توسط هایپرپلین خطی از هم جدا شوند ، قانون یادگیری Perceptron همگرا می شود. با این حال ، اگر کلاس ها نمی توانند کاملاً توسط یک طبقه بندی خطی از هم جدا شوند ، می تواند خطایی ایجاد کند.

همانطور که در موضوع قبلی مورد بحث قرار گرفت ، مرز طبقه بندی کننده برای یک خروجی باینری در یک Perceptron توسط معادله ذکر شده در زیر نشان داده شده است:

نمودار بالا سطح تصمیم گیری را که توسط یک Perceptron دو ورودی نشان داده شده است نشان می دهد.

• در شکل (الف) در بالا ، مثالها را می توان به وضوح به مقادیر مثبت و منفی جدا کرد. از این رو ، آنها به صورت خطی از هم جدا هستند. این می تواند شامل دروازه های منطقی مانند و ، یا ، و نه ، NAND باشد.
• شکل (ب) نمونه هایی را نشان می دهد که به صورت خطی از هم جدا نیستند (مانند یک دروازه XOR).
• نمودار (A) مجموعه ای از نمونه های آموزش و سطح تصمیم یک Perceptron است که آنها را به درستی طبقه بندی می کند.
• نمودار (ب) مجموعه ای از نمونه های آموزشی است که به صورت خطی از هم جدا نیستند ، یعنی آنها نمی توانند به درستی توسط هر خط مستقیم طبقه بندی شوند.
• X1 و X2 ورودی های Perceptron هستند.

در بخش بعدی ، اجازه دهید در مورد دروازه های منطق صحبت کنیم.

Logic Gate چیست؟

دروازه های منطق بلوک های ساختمانی یک سیستم دیجیتال ، به ویژه شبکه های عصبی هستند. به طور خلاصه ، آنها مدارهای الکترونیکی هستند که علاوه بر این ، انتخاب ، نفی و ترکیب برای تشکیل مدارهای پیچیده کمک می کنند. با استفاده از دروازه های منطق ، شبکه های عصبی می توانند به تنهایی یاد بگیرند بدون اینکه بخواهید منطق را به صورت دستی کدگذاری کنید. بیشتر دروازه های منطق دارای دو ورودی و یک خروجی هستند.

هر ترمینال یکی از دو شرایط باینری ، کم (0) یا زیاد (1) دارد که توسط سطح ولتاژ مختلف نشان داده شده است. وضعیت منطق یک ترمینال بر اساس نحوه پردازش مدار داده تغییر می کند.

بر اساس این منطق ، دروازه های منطق را می توان به هفت نوع طبقه بندی کرد:

اجرای دروازه های منطق اساسی با Perceptron

دروازه های منطقی که می توانند با Perceptron اجرا شوند در زیر بحث شده است.

1. و

اگر دو ورودی صحیح باشند (1+) ، خروجی Perceptron مثبت است ، که به درستی است.

این رفتار مطلوب یک دروازه و دروازه است.

x1 = 1 (درست) ، x2 = 1 (درست)

W0 = -. 8 ، W1 = 0. 5 ، W2 = 0. 5

=> o(x1, x2) => -.8 + 0.5*1 + 0.5*1 = 0.2> 0

2. یا

اگر هر یک از دو ورودی صحیح باشد (1+) ، خروجی Perceptron مثبت است ، که به درستی است.

این رفتار مورد نظر یک دروازه یا دروازه است.

x1 = 1 (درست) ، x2 = 0 (غلط)

W0 = -. 3 ، W1 = 0. 5 ، W2 = 0. 5

=> o(x1, x2) => -.3 + 0.5*1 + 0.5*0 = 0.2> 0

3. Xor

یک دروازه XOR ، که به عنوان منحصر به فرد یا دروازه نیز نامیده می شود ، دارای دو ورودی و یک خروجی است.

اگر و فقط اگر یکی از حالتهای ورودی صحیح باشد ، این دروازه به عنوان خروجی واقعی باز می گردد.