شبکه‌ عصبی چیست و چگونه کار می‌کند؟

شبکه عصبی یکی از روش‌های اصلی یادگیری عمیق است و به رایانه کمک می‌کند الگوهای پیچیده را از داده‌ها یاد بگیرد. این شبکه با بررسی نمونه‌های آموزشی، ارتباط میان ورودی و نتیجه را پیدا می‌کند. 

امروزه شبکه‌های عصبی در بسیاری از فناوری‌های مبتنی‌بر هوش مصنوعی، از تشخیص تصویر و پردازش زبان طبیعی گرفته تا سیستم‌های پیشنهاددهنده، تشخیص صدا و مدل‌های مولد کاربرد دارند و شما می‌توانید با خرید سرویس هوش مصنوعی پروژه‌های مبتنی‌بر این فناوری‌ها را توسعه دهید. در این مطلب، ابتدا ساختار و نحوه‌ی عملکرد شبکه‌ی عصبی را بررسی می‌کنیم، سپس به شیوه‌ی آموزش، انواع شبکه‌های عصبی، کاربردها، مزایا و محدودیت‌های آن می‌پردازیم.

شبکه‌ عصبی چیست؟

شبکه‌ی عصبی مصنوعی نوعی مدل محاسباتی است که از مجموعه‌ای نورون مصنوعی و ارتباط میان آن‌ها تشکیل می‌شود. هر نورون چند مقدار ورودی را دریافت می‌کند، برای هر کدام وزن در‌ نظر می‌گیرد و حاصل را با کمک یک تابع فعال‌سازی به خروجی تبدیل می‌کند. وزن‌ها میزان اثر هر ورودی را بر نتیجه‌ مشخص می‌کنند.

شبکه‌ی عصبی هنگام آموزش، وزن این ارتباط‌ها را تغییر می‌دهد. اگر خروجی مدل با پاسخ درست فاصله داشته باشد، الگوریتم آموزش وزن‌ها را اصلاح می‌کند. تکرار این فرآیند باعث می‌شود شبکه الگوهای موجود در داده را یاد بگیرد و برای نمونه‌های جدید پیش‌بینی انجام دهد. آموزش شبکه‌های عصبی، به‌ویژه مدل‌های بزرگ، به توان پردازشی بالایی نیاز دارد و خرید سرور GPU می‌تواند اجرای محاسبات موازی این مدل‌ها را سرعت دهد.

شبکه‌ی عصبی از مغز انسان الهام گرفته است، ولی شبیه‌سازی دقیق آن نیست. نورون مصنوعی مجموعه‌ای از عملیات ریاضی است و با سلول عصبی زیستی تفاوت دارد.

اجزای شبکه عصبی

شبکه‌های عصبی از نورون‌هایی در چند لایه تشکیل می‌شوند. ساختار پایه شامل لایه‌ی ورودی، لایه‌های پنهان و لایه‌ی خروجی است.

۱. لایه‌ ورودی

لایه‌ی ورودی داده را دریافت می‌کند. در یک مدل تشخیص تصویر، مقدار پیکسل‌ها ورودی هستند. در مدلی برای پیش‌بینی فروش، اطلاعاتی مانند قیمت، زمان و تعداد بازدید می‌توانند ورودی باشند. این لایه اغلب محاسبه‌ی پیچیده‌ای انجام نمی‌دهد و داده را به بخش بعدی می‌فرستد.

۲. لایه‌های پنهان

لایه‌های پنهان میان ورودی و خروجی قرار دارند. هر لایه ویژگی‌های متفاوتی را از داده استخراج می‌کند. در پردازش تصویر، لایه‌های ابتدایی ممکن است لبه‌ها و رنگ‌ها را تشخیص دهند و لایه‌های بعدی شکل‌ها یا اجزای کامل را شناسایی کنند. تعداد زیاد لایه‌های پنهان، شبکه را در گروه مدل‌های یادگیری عمیق قرار می‌دهد.

۳. لایه‌ی خروجی

لایه خروجی نتیجه‌ی نهایی را تولید می‌کند. شکل خروجی به نوع موضوع بستگی دارد. مدل دسته‌بندی ممکن است احتمال تعلق داده به چند گروه را نمایش دهد. مدل پیش‌بینی قیمت نیز یک مقدار عددی ارایه می‌کند.

شبکه‌ عصبی چگونه آموزش می‌بیند؟

آموزش شبکه عصبی با مجموعه‌ای از نمونه‌ها آغاز می‌شود. هر نمونه شامل ورودی و در یادگیری نظارت‌شده، پاسخ درست است. مدل در شروع وزن‌ها را با مقادیر اولیه تنظیم و سپس مراحل زیر را بارها تکرار می‌کند:

1.   داده از لایه‌ی ورودی وارد شبکه می‌شود.
2.   نورون‌ها محاسبات را از لایه‌ای به لایه‌ی دیگر منتقل می‌کنند.
3.   شبکه‌ی خروجی یا پیش‌بینی خود را می‌سازد.
4.   تابع زیان، فاصله‌ی پیش‌بینی با پاسخ درست را محاسبه می‌کند.
5. الگوریتم آموزش وزن‌ها را برای کاهش خطا تغییر می‌دهد.

بخشی از داده‌ها برای آموزش و بخشی دیگر برای ارزیابی کنار گذاشته می‌شوند. نتیجه‌ی ارزیابی نشان می‌دهد مدل برای داده‌های جدید نیز عملکرد مناسبی دارد یا نه. مدل‌های بزرگ برای انجام این محاسبات به GPU، حافظه و فضای ذخیره‌سازی مناسب نیاز دارند. 

تکنیک‌های بهینه‌سازی آموزش شبکه‌ عصبی

بهینه‌سازی فرآیندی است که خطای شبکه را کاهش می‌دهد و وزن‌ها را به مقادیر مناسب نزدیک می‌کند. انتشار رو به عقب، گرادیان کاهشی، نرخ یادگیری و تابع فعال‌سازی در این فرآیند نقش دارند.

۱. انتشار رو به عقب

انتشار رو به عقب یا Backpropagation مشخص می‌کند هر وزن چه سهمی در خطای نهایی داشته است. الگوریتم خطا را از لایه‌ی خروجی به سمت لایه‌های قبلی دنبال می‌کند و گرادیان هر وزن را به دست می‌آورد. گوگل Backpropagation را الگوریتم رایج آموزش شبکه‌های چندلایه معرفی می‌کند.

۲. گرادیان کاهشی و نرخ یادگیری

گرادیان کاهشی از گرادیان‌ها برای حرکت وزن‌ها در جهت کاهش خطا بهره می‌برد. نرخ یادگیری اندازه‌ی هر تغییر را تعیین می‌کند. نرخ بسیار بالا می‌تواند روند آموزش را ناپایدار کرده و نرخ بسیار پایین نیز رسیدن به نتیجه را طولانی می‌سازد.

۳. تابع فعال‌سازی

تابع فعال‌سازی خروجی هر نورون را پیش از انتقال به لایه‌ی بعد تغییر می‌دهد. این تابع به شبکه امکان یادگیری روابط غیرخطی را می‌دهد. ReLU ،Sigmoid و Tanh از توابع شناخته‌شده هستند. انتخاب تابع مناسب به نوع لایه و خروجی موردانتظار بستگی دارد.

انواع شبکه عصبی

انواع شبکه عصبی براساس شیوه‌ی اتصال نورون‌ها و نوع داده‌ای که پردازش می‌کنند، تفاوت دارند. معماری‌های زیر از شناخته‌شده‌ترین نمونه‌ها هستند.

۱. پرسپترون چندلایه

پرسپترون چندلایه یا MLP از لایه ورودی، چند لایه‌ی به‌طور‌کامل متصل و لایه‌ی خروجی تشکیل می‌شود. هر نورون یک لایه با نورون‌های لایه‌ی بعد ارتباط دارد. این معماری برای دسته‌بندی، رگرسیون و داده‌های جدولی کاربرد دارد.

۲. شبکه‌ عصبی بازگشتی

شبکه‌ی عصبی بازگشتی یا RNN بخشی از اطلاعات مراحل قبلی را نگه می‌دارد. این ویژگی برای پردازش داده‌های ترتیبی مانند متن، گفتار و سری زمانی مفید است. مدل‌های LSTM و GRU برای حفظ وابستگی‌های طولانی توسعه پیدا کرده‌اند.

۳. شبکه‌ عصبی کانولوشنی

شبکه‌ی عصبی کانولوشنی یا CNN الگوهای محلی را با فیلترهای آموزشی پیدا می‌کند. این ساختار در تشخیص اشیا، دسته‌بندی تصویر، تصویربرداری پزشکی و تحلیل ویدیو کاربرد دارد. CNN می‌تواند ویژگی‌هایی مانند لبه، بافت و شکل را در لایه‌های مختلف استخراج کند.

۴. شبکه‌ مولد تخاصمی

شبکه‌ی مولد تخاصمی یا GAN از دو شبکه تشکیل می‌شود. شبکه‌ی مولد نمونه‌ی تازه می‌سازد و شبکه‌ی تشخیص‌دهنده‌ی واقعی یا ساختگی‌ بودن آن را مورد بررسی قرار می‌دهد. رقابت این دو بخش به بهبود خروجی مولد کمک می‌کند.

۵. شبکه‌ ترنسفورمر

ترنسفورمر برای تشخیص ارتباط میان بخش‌های مختلف داده از سازوکار Attention استفاده می‌کند. این معماری برخلاف RNN برای پردازش متن به حرکت مرحله‌ به‌ مرحله وابسته نیست و امکان محاسبات موازی را فراهم می‌سازد. ترنسفورمر پایه‌ی بسیاری از مدل‌های زبانی بزرگ جدید است.

کاربردهای شبکه‌ عصبی

شبکه‌های عصبی در حوزه‌های نیازمند تشخیص الگو کاربرد دارند. مهم‌ترین کاربردهای آن‌ها در چند گروه قرار می‌گیرند.

۱. پردازش تصویر و بینایی ماشین

شبکه‌ی عصبی برای تشخیص چهره، شناسایی اشیا، بررسی تصاویر پزشکی و کنترل کیفیت محصول کاربرد دارد. مدل ویژگی‌های تصویر را از نمونه‌های آموزشی یاد می‌گیرد و تصویر جدید را تحلیل می‌کند.

۲. پردازش زبان طبیعی

ترجمه‌ی ماشینی، خلاصه‌سازی، تحلیل متن و پاسخ‌گویی به پرسش‌ها از کاربردهای شبکه‌ی عصبی در NLP هستند. مدل‌های زبانی نیز برای درک ارتباط میان واژه‌ها و تولید متن از شبکه‌های عمیق استفاده می‌کنند.

۳. تشخیص ناهنجاری

مدل می‌تواند الگوی عادی داده را یاد بگیرد و موارد متفاوت را شناسایی کند. کشف تراکنش مشکوک، تشخیص خرابی تجهیزات و بررسی رفتار غیرعادی شبکه از نمونه‌های این کاربرد هستند.

۴. سیستم‌های توصیه‌گر

سیستم توصیه‌گر رفتار و ترجیح کاربران را تحلیل می‌کند و محصول، فیلم، موسیقی یا محتوای مرتبط پیشنهاد می‌دهد. شبکه‌ی عصبی ارتباط میان کاربر، محتوا و سابقه تعامل را یاد می‌گیرد.

کسب‌وکارها برای افزودن بعضی از این قابلیت‌ها همیشه به ساخت و آموزش مدل اختصاصی نیاز ندارند. استفاده از سرویس هوش مصنوعی امکان دسترسی به مدل‌های آماده را از راه API فراهم می‌کند و زمان توسعه‌ی اولیه را کاهش می‌دهد.

مزایا و معایب شبکه عصبی

کارایی شبکه عصبی به کیفیت داده، معماری، منابع پردازشی و شیوه‌ی آموزش وابسته است. این مدل‌ها در کنار توانایی‌های گسترده، محدودیت‌هایی نیز دارند.

مزایای شبکه‌ی عصبی

شبکه‌های عصبی با یادگیری مستقیم از داده، امکان شناسایی الگوهای پیچیده را فراهم می‌کنند.

• یادگیری روابط پیچیده و غیرخطی در داده‌ها
• پردازش متن، تصویر، صدا و دیگر داده‌های نامنظم
• امکان استفاده از پردازش موازی روی سخت‌افزار مناسب
• تحمل نسبی نویز هنگام آموزش با داده‌ی کافی و متنوع
• امکان به‌روزرسانی مدل با آموزش دوباره روی داده‌های جدید

معایب شبکه‌ی عصبی

استفاده از شبکه‌های عصبی به داده مناسب، منابع پردازشی و تنظیم دقیق مدل نیاز دارد.

• نیاز به داده‌ی آموزشی کافی و باکیفیت
• هزینه‌ی پردازشی بالا در مدل‌های بزرگ
• دشواری توضیح علت بعضی پیش‌بینی‌ها
• احتمال بیش‌برازش، سوگیری و یادگیری الگوهای نادرست
• پیچیدگی انتخاب معماری و تنظیم پارامترهای آموزش

تفاوت شبکه‌ عصبی با یادگیری ماشین و یادگیری عمیق

یادگیری ماشین حوزه‌ای از هوش مصنوعی است که مدل‌ها در آن الگو را از داده می‌آموزند. شبکه‌ی عصبی یکی از خانواده‌های مدل‌های یادگیری ماشین است. یادگیری عمیق نیز بخشی از یادگیری ماشین محسوب می‌شود و بر شبکه‌های عصبی دارای چندین لایه تکیه دارد. برای شناخت بیش‌تر این مفهوم، مطلب یادگیری ماشین چیست را در بلاگ آروان‌کلاد مطالعه کنید.

جمع‌بندی

شبکه‌ی عصبی مدلی محاسباتی متشکل از نورون‌ها، وزن‌ها و لایه‌های مختلف است. این مدل با اصلاح وزن‌ها، الگوهای موجود در داده را یاد می‌گیرد. MLP ،RNN ،CNN ،GAN و ترنسفورمر از انواع مهم شبکه‌های عصبی هستند و در تحلیل تصویر، زبان، ناهنجاری و پیشنهاد محتوا کاربرد دارند.

شبکه‌ی عصبی بخشی از یادگیری ماشین است و یادگیری عمیق به شبکه‌های دارای لایه‌های متعدد اشاره دارد. انتخاب معماری مناسب نیز به نوع داده، هدف پروژه، دقت موردنیاز و منابع پردازشی بستگی دارد.