Neurona-sare bat eraikitzeak hainbat urrats giltzarri ditu:
-
Datu bilketa eta aurreprozesatzea: bildu eta antolatu zure neurona-sarea entrenatzeko eta probatzeko erabiliko dituzun datuak. Honek datuak garbitzea, faltako balioak kudeatzea eta entrenamendu, baliozkotze eta proba multzoetan banatzea izan daiteke.
-
Aukeratu sare neuronalaren arkitektura: erabaki zure arazoari egokitzen zaion sare neuronalaren arkitektura mota. Hau izan daiteke feedforward sare neuronal bat, sare neuronal konboluzionala (CNN) irudi datuetarako, sare neuronal errecurrente (RNN) datu sekuentzialak egiteko edo beste arkitektura espezializatu batzuk.
-
Initialize the Model: Neurona-sarearen parametroak hasieratzea, hala nola pisuak eta alborapenak, normalean ausaz edo hasierako teknika zehatzak erabiliz.
-
Forward Propagation: Aurrerako hedapena exekutatu sarrerako datuak sarean zehar pasatuz iragarpenak egiteko. Geruza bakoitzak eragiketa lineal edo ez-lineal bat egiten du sarreran.
-
Kalkulatu galera: alderatu aurreikusitako irteera benetako irteerarekin galera kalkulatzeko, iragarpenak benetako balioetatik zenbateraino dauden neurtzen dituena.
-
Atzera-hedapena: Erabili optimizazio algoritmo bat (adibidez, gradientearen jaitsiera) sarearen pisuak eguneratzeko, galera gutxitzeko moduan. Urrats honek galera-funtzioaren gradienteak kalkulatzea dakar sarearen pisuei dagokienez, gero pisuak horren arabera doitzea galera minimizatzeko.
-
Iteratu: errepikatu aurreranzko hedapena, galeraren kalkulua eta atzera hedatzeko urratsak hainbat iterazio edo garaitan ereduaren errendimendua hobetzeko.
Neurona-sare arkitektura tipikoko geruzak hauek dira:
-
Sarrerako geruza: geruza honek sarrerako datuak jasotzen ditu, irudiak, testuak, zenbakizko balioak, etab. Geruza honetako nodo kopurua sarrerako ezaugarri kopuruari dagokio.
-
Ezkutuko geruzak: geruza hauek sarrerako eta irteerako geruzen artean daude eta sarrerako datuetatik ezaugarri garrantzitsuak ateratzeaz arduratzen dira. Sare neuronal sakonetan, ezkutuko geruza anitz egon daitezke, eta geruza bakoitza neuronaz edo nodoz osatuta dago.
-
Irteera geruza: ereduaren irteera sortzen duen azken geruza. Geruza honetako nodo kopurua arazo motaren araberakoa da; adibidez, sailkapen bitarrean, irteera bakarrerako nodo bat egon liteke, eta klase anitzeko sailkapenerako, klase desberdinak ordezkatzen dituzten nodo anitz egon daitezke.
Sare neuronalak ere honela definitzen dira:
-
Aktibazio-funtzioak: geruza bakoitzak (sarrera-geruza izan ezik) normalean sarean linealtasuna ez-linealtasuna sartzen duen aktibazio-funtzio bat barne hartzen du, eredu konplexuak ikasteko aukera emanez. Aktibazio-funtzio arruntak ReLU (Aktibazio Lineala Zuzendua), Sigmoid, Tanh, etab.
-
Konexioak (edo pisuak): geruza bateko nodo bakoitza hurrengo geruzako nodo bakoitzarekin konektatuta dago konexio bakoitzari lotutako pisu batekin. Pisu hauek entrenamendu prozesuan doitzen dira sarearen errendimendua optimizatzeko.
Neurona-sare arkitektura ezberdinek beren helburuetarako espezifikoak diren aldaerak edo geruza gehigarriak izan ditzakete, baina geruza horiek sare neuronal baten oinarrizko egitura osatzen dute.
