Персептроны
Персептрон — это искусственный нейрон .
Это простейшая из возможных нейронных сетей .
Нейронные сети являются строительными блоками искусственного интеллекта .
Фрэнк Розенблатт
Фрэнк Розенблатт (1928–1971) был американским психологом, известным в области искусственного интеллекта.
В 1957 году он начал что-то действительно большое.
Ученые обнаружили, что клетки мозга ( нейроны ) получают информацию от наших органов чувств с помощью электрических сигналов.
Затем нейроны снова используют электрические сигналы для хранения информации и принятия решений на основе предыдущего ввода.
У Фрэнка была идея, что искусственные нейроны могут имитировать принципы работы мозга, способные учиться и принимать решения.
Из этих мыслей он «изобрел» персептрон .
Персептрон был испытан на компьютере IBM 704 в Корнеллской авиационной лаборатории в 1957 году.
Персептрон
Первоначальный персептрон был разработан для приема нескольких двоичных входных данных и создания одного двоичного вывода (0 или 1).
Идея заключалась в том, чтобы использовать разные веса для представления важности каждого входа , и чтобы сумма значений была больше порогового значения, прежде чем принимать решение, например, истинное или ложное (0 или 1).
Пример персептрона
Представьте себе персептрон (в вашем мозгу).
Персептрон пытается решить, стоит ли вам идти на концерт.
Is the artist good? Is the weather good?
What weights should these facts have?
| Criteria | Input | Weight |
|---|---|---|
| Artists is Good | x1 = 0 or 1 | w1 = 0.7 |
| Weather is Good | x2 = 0 or 1 | w2 = 0.6 |
| Friend Will Come | x3 = 0 or 1 | w3 = 0.5 |
| Food is Served | x4 = 0 or 1 | w4 = 0.3 |
| Alcohol is Served | x5 = 0 or 1 | w5 = 0.4 |
The Perceptron Algorithm
Frank Rosenblatt suggested this algorithm:
- Set a threshold value
- Multiply all inputs with its weights
- Sum all the results
- Activate the output
1. Set a threshold value:
- Threshold = 1.5
2. Multiply all inputs with its weights:
- x1 * w1 = 1 * 0.7 = 0.7
- x2 * w2 = 0 * 0.6 = 0
- x3 * w3 = 1 * 0.5 = 0.5
- x4 * w4 = 0 * 0.3 = 0
- x5 * w5 = 1 * 0.4 = 0.4
3. Sum all the results:
- 0.7 + 0 + 0.5 + 0 + 0.4 = 1.6 (The Weighted Sum)
4. Activate the Output:
- Return true if the sum > 1.5 ("Yes I will go to the Concert")
If the treshold value is 1.5 for you, it might be different for someone else.
Example
const treshold = 1.5;
const inputs = [1, 0, 1, 0, 1];
const weights = [0.7, 0.6, 0.5, 0.3, 0.4];
let sum = 0;
for (let i = 0; i < inputs.length; i++) {
sum += inputs[i] * weights[i];
}
const activate = (sum > 1.5);
Perceptron Terminology
- Perceptron Inputs
- Node values
- Node Weights
- Activation Function
Perceptron Inputs
Perceptron inputs are called nodes.
The nodes have both a value and a weight.
Node Values
In the example above the node values are: 1, 0, 1, 0, 1
Node Weights
Weights shows the strength of each node.
In the example above the node weights are: 0.7, 0.6, 0.5, 0.3, 0.4
The Activation Function
The activation functions maps the result (the weighted sum) into a required value like 0 or 1.
The binary output (0 or 1) can be interpreted as (no or yes) or (false or true).
In the example above, the activation function is simple: (sum > 1.5)
In Neuroscience, there is a debate if single-neuron encoding or distributed encoding is most relevant for understanding how the brain functions.
It is obvious that a decision like the one above, is not made by one neuron alone.
At least there must be other neurons deciding if the artist is good, if the weather is good...
Neural Networks
The Perceptron defines the first step into Neural Networks.
The perceptron is a Single-Layer Neural Network.
The Neural Network is a Multi-Layer Perceptron.