Neuroverkon rakentaminen sisältää useita tärkeitä vaiheita:
-
Tiedonkeruu ja esikäsittely: Kerää ja järjestä tiedot, joita käytät neuroverkkosi kouluttamiseen ja testaamiseen. Tämä saattaa sisältää tietojen puhdistamisen, puuttuvien arvojen käsittelyn ja jakamisen koulutus-, validointi- ja testisarjoiksi.
-
Valitse hermoverkkoarkkitehtuuri: Päätä ongelmaasi sopiva hermoverkkoarkkitehtuurin tyyppi. Tämä voi olla feedforward-hermoverkko, konvoluutiohermoverkko (CNN) kuvadatalle, toistuva hermoverkko (RNN) peräkkäiselle datalle tai muita erikoistuneita arkkitehtuureja.
-
Alusta malli: Alusta hermoverkon parametrit, kuten painot ja poikkeamat, yleensä satunnaisesti tai käyttämällä tiettyjä alustustekniikoita.
-
Eteenpäin leviäminen: Suorita eteneminen eteenpäin välittämällä syöttötiedot verkon läpi ennusteiden tekemiseksi. Jokainen kerros suorittaa lineaarisen tai epälineaarisen toiminnon syötteelle.
-
Laske häviö: Vertaa ennustettua tehoa todelliseen tuottoon laskeaksesi häviön, joka mittaa kuinka kaukana ennusteet ovat todellisista arvoista.
-
Backpropagation: Käytä optimointialgoritmia (esim. gradienttilaskua) päivittääksesi verkon painot tavalla, joka minimoi häviön. Tämä vaihe sisältää häviöfunktion gradientin laskemisen suhteessa verkon painoihin ja sitten painojen säätämisen vastaavasti häviön minimoimiseksi.
-
Iteroi: Toista eteenpäin etenemisen, häviölaskennan ja taaksepäin etenemisen vaiheet useille iteraatioille tai aikakausille parantaaksesi mallin suorituskykyä.
Tyypillisen hermoverkkoarkkitehtuurin kerroksia ovat:
-
Syötekerros: Tämä kerros vastaanottaa syötetiedot, olivatpa ne kuvia, tekstiä, numeerisia arvoja jne. Tämän kerroksen solmujen määrä vastaa syötteen ominaisuuksien määrää.
-
Piilotetut tasot: Nämä kerrokset ovat syöttö- ja tulostuskerroksen välissä ja vastaavat olennaisten ominaisuuksien poimimisesta syöttötiedoista. Syvissä hermoverkoissa voi olla useita piilotettuja kerroksia, ja jokainen kerros koostuu neuroneista tai solmuista.
-
Output Layer: Viimeinen kerros, joka tuottaa mallin tulosteen. Tämän kerroksen solmujen määrä riippuu ongelman tyypistä - esimerkiksi binääriluokituksessa voi olla yksi solmu yhdelle ulostulolle, kun taas moniluokkaisessa luokituksessa voi olla useita eri luokkia edustavia solmuja.
Neuraaliverkot määritellään myös:
-
Aktivointitoiminnot: Jokainen kerros (paitsi syöttökerros) sisältää tyypillisesti aktivointitoiminnon, joka tuo verkkoon epälineaarisuutta, jolloin se voi oppia monimutkaisia kuvioita. Yleisiä aktivointitoimintoja ovat ReLU (Recified Linear Activation), Sigmoid, Tanh jne.
-
Yhteydet (tai painot): Jokainen kerroksen solmu on yhdistetty jokaiseen seuraavan kerroksen solmuun ja jokaiseen yhteyteen liittyy paino. Näitä painoja säädetään harjoitusprosessin aikana verkon suorituskyvyn optimoimiseksi.
Eri hermoverkkoarkkitehtuureissa voi olla niiden tarkoitukseen liittyviä muunnelmia tai lisäkerroksia, mutta nämä kerrokset muodostavat hermoverkon perusrakenteen.
