Introduzione alle Reti Neurali
E.Mumolo
[email protected]
Reti neurali artificiali
Modelli di calcolo parallelo vagamente ispirati dalla biologia.
Caratteristiche principali:
Una rete non è programmata per realizzare un algoritmo ma apprende
tramite esempi
Capacità di apprendimento: fornendo esempi opportuni una rete riesce a
organizzarsi per realizzare una funzione arbitraria y= f (x)
Capacità di generalizzare: la rete correttamente addestrata può fornire una
risposta anche a richieste non incluse negli esempi
Tolleranza agli errori: indipendenza al rumore di ingresso
Tolleranza ai guasti funzionamento ragionevole anche se qualche neurone
non funziona correttamente
Neurone biologico
Ingressi: Dendriti
Uscita: Assone
Connessione Assone-Dendriti mediante sinapsi
I neuroni agiscono a soglia → quando la somma degli
ingressi supera un certo valore il neurone produce una
uscita
Neurone artificiale
Funzione non lineare
w i ∈ R pe s i
θ ∈ R s o g lia
h : fu n zio n e di a tt iv a zio n e
Uscita: 1 se somma pesata degli ingressi > soglia; -1 altrimenti
Funzioni di attivazione
2
20
1 .5
18
16
12
8
6
١
y=
١ + exp(− x)
0 .5
y= x
10
Sigmoide
1
Lineare
14
0
-0 .5
-1
4
-1 .5
2
-2
-1 0
0
0
2
4
6
8
10
12
14
16
18
-8
-6
-4
-2
0
2
4
6
8
10
20
2
Tangente iperbolica
1 .5
1
0 .5
y=
0
-0 .5
-1
-1 .5
-2
-1 0
-8
-6
-4
-2
0
2
4
6
8
10
exp( x ) − exp(− x )
exp( x) + exp(− x)
Strutture a singolo strato → Percettrone
Percettrone
Rosenblatt (1962)
Separatore lineare
Ingressi: vettori di numeri
reali
Uscita :1 or -1
y = sign(v)
c0
1
∑
+
++
+ +
+
+
+
+
+
++ +
+
+ +
+
+
+
++ +
+ + + + ++
+ +
+
+
+
+
++
y= −1
v = c0 + c1 x1 + c2 x2
c2
c1
x1
x2
y = +1
c0 + c1 x1 + c2 x2 = 0
Strutture MultiStrato
→ Rete Neurale Feed Forward
Strato d'uscita
2o strato nascosto
1o strato nascosto
Ingressi
x1
x2
…..
xn
Proprietà fondamentale delle reti
Approssimatori universali
Teorema: Ogni funzione limitata può essere
approssimata con una rete neurale con un numero finito
di strati nascosti con precisione arbitraria
Tipi di approssimatori;
– Lineari: il numero di parametri cresce
esponenzialmente con le variabili
– Non lineari: il numero di parametri cresce linearmente
con le variabili
Addestramento della rete
(Apprendimento)
Backpropagation
Backpropagation
Backpropagation
Backpropagation
Problemi non separabili linearmente
Strutture
Singolo strato
Due strati
Tre strati
Tipi di regioni
Semipiano
Regioni
convesse
Regioni di
arbitraria
complessità
Problemi XOR
A
B
B
A
A
B
B
A
A
B
B
A
Configurazioni generiche
