Có sự khác biệt nào giữa các thuật ngữ "mạng lưới thần kinh" và "perceptron" không?
Có sự khác biệt nào giữa các thuật ngữ "mạng lưới thần kinh" và "perceptron" không?
Câu trả lời:
Vâng, có - "perceptron" đề cập đến một mô hình học tập được giám sát cụ thể, được Rosenblatt vạch ra vào năm 1957. Perceptron là một loại mạng thần kinh đặc biệt và trên thực tế là một trong những loại mạng thần kinh được phát triển. Có nhiều loại mạng lưới thần kinh khác được phát triển sau perceptron, và sự đa dạng của mạng lưới thần kinh tiếp tục phát triển (đặc biệt là cách thức học sâu hiện đại và thời thượng ngày nay).
Các mô hình Perceptron được chứa trong tập hợp các mô hình mạng lưới thần kinh.
Một perceptron (một lớp) là một mạng nơ ron một lớp hoạt động như một bộ phân loại nhị phân tuyến tính. Là một mạng thần kinh một lớp, nó có thể được đào tạo mà không cần sử dụng các thuật toán tiên tiến hơn như lan truyền ngược và thay vào đó có thể được đào tạo bằng cách "bước tới" lỗi của bạn theo các bước được chỉ định bởi tốc độ học tập. Khi ai đó nói perceptron, tôi thường nghĩ về phiên bản một lớp.
Tuy nhiên, nếu bạn đang nói về một tri giác đa lớp , thì thuật ngữ này giống như một mạng thần kinh chuyển tiếp nguồn cấp dữ liệu .
Thủ tục học tập Perceptron không thể được khái quát thành các lớp ẩn
• Quy trình hội tụ perceptron hoạt động bằng cách đảm bảo rằng mỗi khi trọng lượng thay đổi, chúng sẽ tiến gần hơn đến mọi trọng số có thể thực hiện được.
- Loại bảo lãnh này không thể được mở rộng cho các mạng phức tạp hơn, trong đó trung bình của hai giải pháp tốt có thể là một giải pháp tồi.
• Vì vậy, các mạng nơ-ron đa lớp, không sử dụng quy trình học tập perceptron.
- Chúng không bao giờ nên được gọi là tri giác nhiều lớp.
-Reference Coursera.org - Khóa học mạng thần kinh - Tuần 3
Như @Nick đã đề cập Preceptron là một mạng lưới thần kinh với một lớp, sử dụng các chương trình viết tay dựa trên ý nghĩa thông thường để xác định các tính năng . Tính năng này được sử dụng làm đầu vào của mạng và sau đó đưa ra quyết định nhị phân dựa trên đó.
[Hình ảnh & lời giải thích được dựa trên Hinton Slide's in Coursera]