›
›

Bài giảng Học sâu và ứng dụng - Bài 2: Giới thiệu về mạng nơ-ron - Trường Đại học Bách khoa Hà Nội

Download
1
Học sâu và ứng dụng  
(IT4653)  
Bài 2:  
Giới thiệu về mạng nơ-ron  
2
Mạng nơ-ron và bộ não  
• Mạng nơ-ron mô phỏng cấu trúc kết nối của não người  
• Não người tạo bởi nhiều nơ-ron liên kết với nhau  
3
Perceptron  
• Bắn xung “fire” nếu tổng có trọng số của các đầu vào  
với “bias” T không âm  
4
Perceptron mềm (logistic)  
• Sử dụng một hàm khả vi thay cho hàm xung  
• Hàm kích hoạt sigmoid được dùng để xấp xỉ hàm xung  
• Hàm kích hoạt là hàm tác động lên tổng có trọng số  
của các dữ liệu vào  
5
Perceptron mềm (logistic)  
6
Một số hàm kích hoạt thường gặp  
• ReLU là lựa chọn mặc định tốt cho nhiều bài toán  
• Hiện nay xu hướng dùng một số hàm kích hoạt hiện đại hơn như  
ReLU6, swish, mish  
7
Tầm quan trọng của hàm kích hoạt  
• Mục đích sử dụng hàm kích hoạt là đưa các lớp phi tuyến  
vào mạng nơ-ron  
Hàm kích hoạt tuyến tính luôn  
sinh ra đường phân cách  
tuyến tính bất kể mạng có lớn  
cỡ nào  
Các lớp phi tuyến cho phép  
chúng ta xấp xỉ các hàm phức  
tạp  
8
Perceptron đơn giản hóa  
9
Perceptron đơn giản hóa  
10  
Perceptron nhiều đầu ra  
11  
Mạng nơ-ron một lớp ẩn  
12  
Mạng nơ-ron một lớp ẩn  
13  
Mạng nơ-ron nhiều lớp  
14  
Mạng nơ-ron và bộ não  
Nơ-ron sinh học:  
Kết nối phức tạp  
Mạng nơ-ron nhân tạo:  
Các nơ-ron tổ chức  
thành các lớp (layers)  
để tăng hiệu quả tính  
toán nhờ song song hóa  
15  
Định lý xấp xỉ tổng quát  
• Theorem (Universal Function Approximators). Một  
mạng nơ-ron từ hai lớp trở lên với số lượng nơ-ron đủ  
lớn có thể xấp xỉ bất kỳ hàm liên tục nào với độ chính  
xác tùy ý  
16  
Universal Function Approximation Theorem*  
• In words: Given any continuous function f(x), if a 2-layer  
neural network has enough hidden units, then there is a  
choice of weights that allow it to closely approximate f(x).  
Cybenko, G. (1989). Approximations by superpositions of a sigmoidal function. Mathematics of Control, Signals and Systems, 2,  
183-192.  
Hornik, K. (1991). Approximation capabilities of multilayer feedforward networks. Neural networks, 4(2), 251-257.  
Leshno, M., Lin, V. Y., Pinkus, A., & Schocken, S. (1993). Multilayer feedforward networks with a nonpolynomial activation  
function can approximate any function. Neural networks, 6(6), 861-867.  
17  
Tại sao cần mạng nhiều lớp?  
• Mạng nơ-ron nhiều lớp (thậm chí chỉ cần duy nhất một lớp  
ẩn!) là hàm xấp xỉ tổng quát  
• Mạng nơ-ron có thể biểu diễn hàm bất kỳ nếu nó đủ rộng  
(số nơ-ron trong một lớp đủ nhiều), đủ sâu (số lớp đủ lớn).  
• Nếu muốn giảm độ sâu của mạng trong nhiều trường hợp sẽ phải bù  
lại bằng cách tăng chiều rộng lên lũy thừa lần!  
• Mạng nơ-ron một lớp ẩn có thể cần tới số lượng nơ-ron cao  
gấp lũy thừa lần so với một mạng nhiều tầng  
• Mạng nhiều lớp cần số lượng nơ-ron ít hơn rất nhiều so với  
các mạng nông (shallow networks) để cùng biểu diễn một  
hàm số giống nhau  
è Mạng nhiều lớp giá trị hơn  
18  
Cực tiểu hóa hàm mục tiêu  
• Tìm trọng số của mạng để hàm mục tiêu đạt giá trị cực  
tiểu  
19  
Cực tiểu hóa hàm mục tiêu  
• Thuật toán Gradient Descent  
20  
Tải về để xem bản đầy đủ
pdf 38 trang Thùy Anh 20640 Free
Download
Bạn đang xem 20 trang mẫu của tài liệu "Bài giảng Học sâu và ứng dụng - Bài 2: Giới thiệu về mạng nơ-ron - Trường Đại học Bách khoa Hà Nội", để tải tài liệu gốc về máy hãy click vào nút Download ở trên

File đính kèm:

  • pdfbai_giang_hoc_sau_va_ung_dung_bai_2_gioi_thieu_ve_mang_no_ro.pdf