Neurale Netwerken

NeuraleNeurale NetwerkenNetwerkenKunstmatige IntelligentieKunstmatige Intelligentie

Rijksuniversiteit GroningenRijksuniversiteit Groningen

April 2005

22

hc 2hc 2

• TLUs, lineaire scheidbaarheid en TLUs, lineaire scheidbaarheid en vectorenvectoren

• TLUs trainen; de perceptron regelTLUs trainen; de perceptron regel

• boek: H3 en H4boek: H3 en H4

33

overzichtoverzicht

• voorbeeld TLU: logical AND operator voorbeeld TLU: logical AND operator 3.13.1

• vectoren en lineaire scheidbaarheid vectoren en lineaire scheidbaarheid 3.2, 3.2, 3.33.3

• TLU’s trainen TLU’s trainen 4.1, 4.2, 4.34.1, 4.2, 4.3

• uitbreiding uitbreiding 4.4, 4.5, 4.64.4, 4.5, 4.6

4

een TLU met 2 inputs, 1 output

22111

xwxwxwan

iii

y = 1 if a >= Θy = 0 if a < Θ

x1w1

x2

w2

y

5

logical AND operator

22111

xwxwxwan

iii

y = 1 if a >= Θy = 0 if a < Θwhere Θ = 1,5

x11

x2

1

y

6

input pattern 1

01*01*01

n

iiixwa y = 1 if a >= Θ

y = 0 if a < Θwhere Θ = 1,5

01

0

1

0

7

input pattern 2

11*11*01

n



01

1

1

0

8

input pattern 3

11*01*11

n



11

0

1

0

9

input pattern 4

21*11*11

n



11

1

1

1

10

van klasse grensnaar decision hyperplane

baxx

wx

w

wx

xwxw

xwxw

12

21

2

12

1122

2211

In het voorbeeld van de logical AND operator wordt dat x2 = -1 * x1 + 1,5

de klasses moeten te scheiden zijn door een rechte lijn (hyperplane), anders kan een TLU het niet oplossen.

1111

overzichtoverzicht

• voorbeeld TLU: logical AND operatorvoorbeeld TLU: logical AND operator 3.13.1

• vectoren en lineaire scheidbaarheidvectoren en lineaire scheidbaarheid 3.2, 3.2, 3.33.3



12

vectoren

2D input space(bv. AND):

x = (x1, x2)

nD input space:(bv. 6 * 8 pixels):

x = (x1, x2, ..., xn) w = (w1, w2, ..., wn)

13

kv = (kv1, kv2, ..., kvn)

w = u + v

w = (u1 + v1, u2 + v2, ..., un + vn)

w = u - vw = (u1 - v1, u2 - v2, ..., un - vn)

v

u -v

u

w

w

uv

wu

14

inproduct

coswvwv

n

iiivwwv

1

v

w

15

lineaire scheidbaarheid

1616

overzichtoverzicht



• TLU’s trainenTLU’s trainen 4.1, 4.2, 4.34.1, 4.2, 4.3


17

n

iiixwa

1y = 1 if a >= Θy = 0 if a < Θ

x1 w1

x2 yw2

1 TLU trainen (2 inputs, 1 output)• “ordening” patterns en opsplitsen in

trainingset {p1, ..., pn} en testset {pn + 1, ..., pm}

• training set van patterns {p1, ..., pn}, pi = (xi1, xi2, ti)• voor elk pattern pi gewichten aanpassen

dmv. error estimate (ti – yi)yi is de output die de TLU geeft

ti is wat de output zou moeten zijn

• test set van patterns {pn + 1, ..., pm}error op de test set is de prestatie maattesten gebeurt na elk epoch

18

the augmented weight vectory = 1 if w ∙ x >= Θy = 0 if w ∙ x < Θ w ∙ x = Θ decision hyperplane

Θ kun je zien als extra gewicht met vaste input -1

y = 1 if w ∙ x >= 0y = 0 if w ∙ x < 0 w ∙ x = 0 decision hyperplane

n

iiixwa

1y = 1 if a >= Θy = 0 if a < Θ

x1 w1

x2 yw2

n

iiixwa

1y = 1 if a >= 0y = 0 if a < 0

x1 w1

x2 yw2

θ

-1

19

de gewichtsvector aanpassenmisclassificatie:1. t = 1, y = 0 miss

inputvector v = (v1, v2, ..., vn) en gewichtsvector w = (w1, w2, ..., wn)wijzen verschillende kanten op terwijl dat niet de bedoeling isinproduct is negatiefpas de gewichtsvector aan, zodat het inproduct positief wordt

2. t = 0, y = 1 false alarminputvector en gewichtsvector wijzen dezelfde kant op terwijl dat niet de bedoeling ishet inproduct is positiefpas de gewichtsvector aan, zodat het inproduct negatief wordt

learning rate α ongeveer 0,2

20

w’ = w + αv w’ = w – αv

t y

w’ = w + α(t – y)v 1 1

1 00 10 0

Δw = α(t – y)vvector components

i = 1 t/m (n + 1): Δwi = α(t – y)viw = (w1, w2, ..., wn, θ)

v = (v1, v2, ..., vn, -1)

Perceptron Training Rule

21

the perceptron training algorithm boek p. 34

repeatfor each training vector pair (v, t)

update weight vector wend for loop

until y = t for all input vectors

.

22

the perceptron training algorithm boek p. 34

repeatfor each training vector pair (v, t)

evaluate the output y when v is input to the TLUif y ≠ t then

form new weight vector w’ according to (4.4)

elsedo nothing

end ifend for loop

until y = t for all input vectors

(4.4) w’ = w + α(t – y)v

Perceptron Convergence Theorem:Als twee klasses lineair scheidbaar zijn zal het toepassen van

bovenstaand algoritme leiden tot een decision hyperplane dat de twee klasses van elkaar scheidt. bewezen door Rosenblatt (1962)

23

n

iiixwa

1

y = 1 if a >= 0y = 0 if a < 0

x1

w1

x2 y

w2

θ-1

δwi = α(t – y)vi

where α = 0.25

tabel 4.1 in het boek, logical AND operator

w1 w2 θ x1 x2 a y t α(t–y) δw1 δw2 δ θ0,0 0,4 0,3 0 0 0 0 0 0 0 0 0

0,0 0,4 0,3 0 1 0,4 1 0 -0,25 0 -0,25 0,25

0,0 0,15 0,55 1 0 0 0 0 0 0 0 0

0,0 0,15 0,55 1 1 0,15 0 1 0,25 0,25 0,25 -0,25

0,25 0,4 0,3

2424

overzichtoverzicht




• uitbreidinguitbreiding 4.4, 4.5, 4.64.4, 4.5, 4.6

25

het perceptron

27

niet-lineair scheidbare klasses

neuron 1 zegt AB, neuron 2 zegt AD: tabel 4.2kan alleen als de input van klasse A isdit gaat ook op voor klasse B, C en Ddecoderen: tabel 4.3

30

neurale netwerken: modellen op een gewone von Neumann computer...

black box:

3131

overzichtoverzicht





3232

volgende collegevolgende college

– Herhaling van vandaagHerhaling van vandaag•TLUs, lineaire scheidbaarheid en vectorenTLUs, lineaire scheidbaarheid en vectoren

•TLUs trainen; de perceptron regelTLUs trainen; de perceptron regel

– De delta regelDe delta regel

• boek: H3, H4 enboek: H3, H4 en H5H5

Neurale Netwerken

Documents

Transcript of Neurale Netwerken