ทุกตัวอย่างเครือข่ายประสาทสำหรับการรับรู้ภาพฉันได้อ่านเกี่ยวกับการผลิตคำตอบง่าย ๆ "ใช่" หรือ "ไม่" โหนดทางออกหนึ่งสอดคล้องกับ "ใช่นี่คือรูปใบหน้าของมนุษย์" และโหนดหนึ่งตรงกับ "ไม่นี่ไม่ใช่รูปใบหน้าของมนุษย์"
ฉันเข้าใจว่าสิ่งนี้น่าจะเป็นคำอธิบายที่ง่าย แต่ฉันสงสัยว่าเครือข่ายนิวรัลนั้นสามารถตั้งโปรแกรมให้เอาต์พุตที่เจาะจงมากขึ้นได้อย่างไร ตัวอย่างเช่นสมมติว่าฉันกำลังจำแนกสัตว์ แทนที่จะพูดว่า "สัตว์" หรือ "ไม่ใช่สัตว์" ฉันต้องการคำตอบเช่น "สุนัข", "ปลา", "นก", "งู" ฯลฯ ด้วยโหนดทางออกสุดท้ายหนึ่งเป็น "ไม่ใช่สัตว์ / ฉัน ไม่รู้จักสิ่งนี้ "
ฉันแน่ใจว่าสิ่งนี้จะต้องเป็นไปได้ แต่ฉันมีปัญหาในการทำความเข้าใจวิธีการ ดูเหมือนว่าเนื่องจากการฝึกอบรมการ backpropogation ของข้อผิดพลาดในขณะที่คุณฝึกฝนโหนดทางออกหนึ่ง (เช่น "นี่คือสุนัข") และน้ำหนักของเซลล์ประสาทจะเปลี่ยนไปดังนั้นสถานะอุดมคติสำหรับโหนดทางออกอื่นที่คุณก่อนหน้านี้ ได้รับการฝึกฝนแล้ว (เช่น "นี่คือนก") จะเริ่มเบี่ยงเบนและในทางกลับกัน ดังนั้นการฝึกอบรมเครือข่ายให้จดจำหมวดหมู่หนึ่งจะก่อวินาศกรรมการฝึกอบรมใด ๆ ที่ทำขึ้นสำหรับหมวดหมู่อื่นจึง จำกัด ให้เราออกแบบ "ใช่" หรือ "ไม่" ง่าย ๆ
สิ่งนี้ทำให้ตัวจดจำดังกล่าวเป็นไปไม่ได้หรือไม่? หรือฉันเข้าใจผิดอัลกอริทึมหรือไม่ สองสิ่งเดียวที่ฉันนึกได้คือ:
เราสามารถฝึกฝนโครงข่ายประสาทเทียมหนึ่งอย่างสำหรับแต่ละสิ่งที่เราต้องการจัดประเภทและใช้เพื่อสร้างเครือข่ายที่ใหญ่กว่าและดีกว่า (ตัวอย่างเช่นเครือข่ายสำหรับ "สุนัข" เครือข่ายสำหรับ "นก" เป็นต้นซึ่งเราก็ไม่สนใจ เพิ่มเข้าด้วยกันเพื่อสร้างซูเปอร์เครือข่ายสำหรับ "สัตว์"); หรือ,
สร้างวิธีการฝึกอบรมที่ซับซ้อนที่น่าขันซึ่งต้องใช้คณิตศาสตร์ขั้นสูงอย่างไม่น่าเชื่อและจะสร้างสภาวะน้ำหนักเซลล์ประสาทในอุดมคติสำหรับผลลัพธ์ที่เป็นไปได้ทั้งหมด (กล่าวอีกนัยหนึ่ง
insert math magic here
)
(หมายเหตุด้าน 1: ฉันกำลังมองหา perceptrons หลายชั้นโดยเฉพาะเป็นเครือข่ายประสาทเทียม)
(หมายเหตุด้าน 2: สำหรับสัญลักษณ์แสดงหัวข้อย่อยแรก "แก้ปัญหาที่เป็นไปได้" การมีแต่ละเครือข่ายประสาทเฉพาะและวนซ้ำผ่านพวกเขาจนกว่าเราจะได้รับการตอบสนอง "ใช่" ไม่ดีพอฉันรู้ว่านี่สามารถทำได้ค่อนข้างง่าย การเขียนโปรแกรมมากกว่าการเรียนรู้ด้วยเครื่องฉันต้องการทราบว่าเป็นไปได้หรือไม่ที่จะมีเครือข่ายประสาทหนึ่งเครือข่ายเพื่อป้อนข้อมูลและรับการตอบสนองที่เหมาะสม)