Perceptrony
Perceptron to sztuczny neuron
Jest to najprostsza możliwa sieć neuronowa
Sieci neuronowe to elementy składowe sztucznej inteligencji .
Frank Rosenblatt
Frank Rosenblatt (1928 – 1971) był amerykańskim psychologiem znanym w dziedzinie sztucznej inteligencji.
W 1957 rozpoczął coś naprawdę wielkiego.
Naukowcy odkryli, że komórki mózgowe ( neurony ) odbierają sygnały z naszych zmysłów za pomocą sygnałów elektrycznych.
Neurony ponownie wykorzystują sygnały elektryczne do przechowywania informacji i podejmowania decyzji na podstawie wcześniejszych danych wejściowych.
Frank wpadł na pomysł, że sztuczne neurony mogą symulować zasady działania mózgu, z możliwością uczenia się i podejmowania decyzji.
Z tych myśli „wymyślił” Perceptron .
Perceptron został przetestowany na komputerze IBM 704 w Cornell Aeronautical Laboratory w 1957 roku.
Perceptron
Oryginalny Perceptron został zaprojektowany tak, aby pobierał wiele wejść binarnych i generował jedno wyjście binarne (0 lub 1).
Pomysł polegał na użyciu różnych wag do reprezentowania ważności każdego wejścia , a suma wartości powinna być większa niż wartość progowa przed podjęciem decyzji typu prawda lub fałsz (0 lub 1).
Przykład perceptronu
Wyobraź sobie perceptron (w twoim mózgu).
Perceptron próbuje zdecydować, czy powinieneś iść na koncert.
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.