ﺣﺎل ﺑﺎ درك اﯾﻦ ﻣﻔﺎﻫﯿﻢ ﻣﯽ ﺗﻮاﻧﯿﻢ اﻗﺪام ﺑﻪ ﺳﺎﺧﺖ ﯾـﮏ ﺷـﺒﮑﻪ ﻋﺼـﺒﯽ ﻣﺼـﻨﻮﻋﯽ ﻧﻤـﺎﯾﯿﻢ . ﯾـﮏ ﺷﺒﮑﻪ ﻋﺼﺒﯽ زﻣﺎﻧﯽ ﺷﮑﻞ ﻣﯽ ﮔﯿﺮد ﮐﻪ ﻧﻮرون ﻫﺎ ﺑﺎ ﯾﮑﺪﯾﮕﺮ، داده ﻫﺎي ورودي و ﺷﺎﺧﻪ ﻫﺎي ﺧﺮوﺟﯽ ﻣـﺮﺗﺒﻂ ﺷﻮﻧﺪ و اﯾﻦ ﻣﻌﺮف ﺳﺎﺧﺘﺎر ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺑﺮاي ﯾﮏ ﻣﺴﺄﻟﻪ ﺗﺤﺖ ﯾﺎدﮔﯿﺮي اﺳﺖ. ﯾﮏ ﻣﺜﺎل ﺳـﺎده از ﺷـﺒﮑﻪ ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ ﺷﺒﯿﻪ ﺳﺎﺧﺘﺎر ﭘﯿﺸﻨﻬﺎدي ﻣَﮏ ﮐﻠﻮچ و ﭘﯿﺖ در ﺳﺎل 1943 اﺳﺖ ﮐﻪ در ﻗﺎﻟﺐ ﺷﮑﻞ 9-1 ﺑﻪ ﺗﺼﻮﯾﺮ ﮐﺸﯿﺪه اﺳﺖ. ﻻﯾﻪ ﭘﺎﯾﯿﻨﯽ ﺷﺒﮑﻪ، ورودي را درﯾﺎﻓﺖ ﻣﯽ ﮐﻨﺪ. ﻻﯾﻪ ﺑﺎﻻي ﻧﻮرون ﻫﺎ (ﺷـﺎﺧﻪ ﻫـﺎي ﺧﺮوﺟـﯽ) ﭘﺎﺳـخ ﻧﻬﺎﯾﯽ را ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﻧﻤﺎﯾﻨﺪ. ﻻﯾﻪ ﻫﺎي ﻣﯿﺎﻧﯽ ﻧﻮرون ﻫﺎ ﮐﻪ ﻻﯾﻪ ﭘﻨﻬـﺎﻧﯽ ﻧﺎﻣﯿـﺪه ﻣـﯽ ﺷـﻮد را ﺗﻮﻟﯿـﺪ ﻣﯽ ﮐﻨﻨﺪ ﮐﻪ در آن ﺑﺮاﺑﺮ ﺑﺎ وزن ارﺗﺒﺎط ﺑﯿﻦ ﻧﻮرون ام در ﻻﯾﻪ ام ﺑﺎ ﻧﻮرون ام در ﻻﯾﻪ
اﺳﺖ. اﯾﻦ وزن ﻫﺎ در ﺑﺮﮔﯿﺮﻧﺪه ﺑﺮدار ﭘﺎراﻣﺘﺮ ﻣﯽ ﺑﺎﺷﻨﺪ و ﻫﻤﺎن ﮔﻮﻧﻪ ﮐـﻪ ﮔﻔﺘـﻪ ﺷـﺪ ﺑـﺮاي ﺣـﻞ ﻣﺴـﺎﺋﻞ
ﺑﻪ وﺳﯿﻠﻪ ﺷﺒﮑﻪ ﻫﺎي ﻋﺼﺒﯽ ﺑﺎﯾﺪ ﻣﻘﺎدﯾﺮ ﺑﻬﯿﻨﻪ ﺑﺮاي را ﺷﻨﺎﺳﺎﯾﯽ ﻧﻤﻮد. ﻫﻤﺎن ﮔﻮﻧﻪ ﮐﻪ در ﻣﺜﺎل ﻓﻮق ﺑﻪ آن اﺷﺎره ﺷﺪ، ﺟﺮﯾﺎن اﻃﺎﻋﺎت از ﻻﯾﻪ ﭘﺎﯾﯿﻨﯽ ﺑﻪ ﻻﯾﻪ ﺑـﺎﻻﯾﯽ اﻧﺠـﺎم
ﻣﯽ ﺷﻮد. ﻫﯿﭻ ﮔﻮﻧﻪ اﺗﺼﺎﻟﯽ ﻣﺎ ﺑﯿﻦ ﻧﻮرون ﻫﺎي ﻫﻢ ﻻﯾﻪ وﺟﻮد ﻧﺪارد. ﻋﻼوه ﺑﺮ اﯾﻦ، ﻫﯿﭻ اﺗﺼﺎﻟﯽ از ﻻﯾﻪ ﺑﺎﻻﺗﺮ ﺑﻪ ﻻﯾﻪ ﭘﺎﯾﯿﻦ ﺗﺮ وﺟﻮد ﻧﺪارد. اﯾﻦ اﻣﺮ ﺑﺎﻋﺚ ﮔﺮدﯾﺪه ﮐﻪ ﺷﺒﮑﻪ ﻫﺎي ﻋﺼﺒﯽ ﺗﺤﺖ ﻋﻨﻮان “ﺷﺒﮑﻪ ﻫﺎي ﭘﯿﺸﺮو1” ﺷﻨﺎﺧﺘﻪ ﺷﻮﻧﺪ. از وﯾﮋﮔﯽ ﻫﺎي اﯾﻦ ﻧﻮع ﺷﺒﮑﻪ ﻫﺎ ﻣﯽ ﺗﻮان ﺑﻪ ﺳﺎدﮔﯽ ﺗﺤﻠﯿﻞ اﺷﺎره ﻧﻤﻮد. ﭼﻨﯿﻦ ﺗﺤﻠﯿـﻞ ﻫـﺎﯾﯽ در ﻓﺼﻞ دوم اﯾﻦ ﮐﺘﺎب ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار ﺧﻮاﻫﺪ ﮔﺮﻓﺖ. اﯾﻦ ﺗﺤﻠﯿﻞ در ﺑﺮﮔﯿﺮﻧﺪه ﻓﺮآﯾﻨﺪ اﻧﺘﺨـﺎب وزن ﻫـﺎ اﺳﺖ. در اداﻣﻪ ﺑﻪ ﺗﻮﺿﯿﺢ ﻣﺨﺘﺼﺮي ﭘﯿﺮاﻣﻮن ﻻﯾﻪ ﻫﺎي ﻣﺨﺘﻠﻒ اﯾﻦ ﻧـﻮع از ﺷـﺒﮑﻪ ﻫـﺎي ﻋﺼـﺒﯽ ﭘﺮداﺧﺘـﻪ ﺧﻮاﻫﺪ ﺷﺪ:
- لایه ﻫﺎي ﭘﻨﻬﺎن ﺑﻪ ﻻﯾﻪ ﻫﺎي ﻧﻮرون ﻫﺎﯾﯽ اﺷﺎره دارد ﮐﻪ ﺑﻪ ﺻﻮرت ﺳﺎﻧﺪوﯾﭽﯽ ﻣﺎﺑﯿﻦ ﻻﯾﻪ اوﻟـﯽ و آﺧﺮي ﻗﺮار دارﻧﺪ. در اﯾﻦ ﻻﯾﻪ ﻫﺎ ﺷﺎﻫﺪ ﺷﮕﻔﺖ اﻧﮕﯿﺰﺗﺮﯾﻦ اﺗﻔﺎق ﻫـﺎﯾﯽ ﻫﺴـﺘﯿﻢ ﮐـﻪ ﺑـﺮاي ﺣـﻞ ﻣﺴﺄﻟﻪ ﺗﻮﺳﻂ ﺷﺒﮑﻪ ﻋﺼﺒﯽ رخ ﻣﯽ دﻫﺪ. در ﻣﺜﺎل ﻋﺪد ﻫﺎي دﺳﺖ ﻧﻮﺷﺘﻪ ﻣﺎ ﻣﺠﺒﻮر ﺑﻮدﯾﻢ زﻣـﺎن زﯾﺎدي را ﺻﺮف ﺷﻨﺎﺳﺎﯾﯽ ﺧﺼﯿﺼﻪ ﻫﺎ ﻧﻤﺎﯾﯿﻢ. اﯾﻦ درك ﯾﮏ راﺑﻄﻪ اﺳﺖ ﮐﻪ ﻻﯾـﻪ ﭘﻨﻬـﺎن اﯾـﻦ ﮐﺎر را ﺑﻪ ﺻﻮرت ﺧﻮدﮐﺎر اﻧﺠﺎم ﻣﯽ دﻫﺪ. ﻓﻌﺎﻟﯿﺖ ﻫﺎي ﻻﯾﻪ ﻫﺎي ﭘﻨﻬﺎن ﻣﻌﺮف ﺧﺼﯿﺼﻪ ﻫـﺎي اﯾـﻦ ﻧﻮع از ﺷﺒﮑﻪ اﺳﺖ. در واﻗﻊ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﭘﯿﺸﺮو از اﯾﻦ ﻻﯾﻪ ﻫﺎ ﺑﺮاي اﺳﺘﺨﺮاج ﺧﻮدﮐﺎر داده ﻫـﺎ اﺳﺘﻔﺎده ﻣﯽ ﻧﻤﺎﯾﺪ.
- در ﻣﺜﺎل اراﺋﻪ ﺷﺪه، ﻫﺮ ﻻﯾﻪ داراي ﺗﻌﺪاد ﯾﮑﺴﺎﻧﯽ ﻧﻮرون اﺳﺖ. اﯾﻦ در ﺣﺎﻟﯽ اﺳﺖ ﮐـﻪ اﺳﺎﺳـ ﺎً ﭘﯿﺸﻨﻬﺎد ﻧﻤﯽ ﺷﻮد ﭼﻨﯿﻦ ﻣﻮﺿﻮﻋﯽ اﺗﻔﺎق ﺑﯿﻔﺘﺪ. ﻣﻌﻤﻮﻻً ﻻﯾﻪ ﻫﺎي ﭘﻨﻬﺎن، ﻧﻮرون ﻫـﺎي ﮐﻤﺘـﺮي ﻧﺴﺒﺖ ﺑﻪ ﻻﯾﻪ ورودي دارﻧﺪ. دﻟﯿﻞ اﯾﻦ اﻣﺮ آن اﺳﺖ ﮐﻪ ﺷـﺒﮑﻪ وادار ﺑـﻪ ﯾـﺎدﮔﯿﺮي و درﯾﺎﻓـﺖ ﻧﻤﻮﻧﻪ ﻫﺎي ﻓﺸﺮده از داده اﺻﻠﯽ ﺷﻮد. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﭼﺸﻢ ﭘﯿﮑﺴـﻞ ﻫـ ﺎ را ﺑـﺪون ﭘـﺮدازش از ﻣﺤﯿﻂ ﭘﯿﺮاﻣﻮن درﯾﺎﻓﺖ ﻣﯽ ﻧﻤﺎﯾﺪ وﻟﯽ ﻣﻐﺰ ﺑﻪ ﻃﺮاﺣـﯽ ﺧﻄـﻮط و ﺳـﻄﻮح ﻣﺨﺘﻠـﻒ آن ﺗﻮﺟـﻪ ﻣﯽ ﮐﻨﺪ. اﯾﻦ ﺑﺪان ﻣﻌﻨﺎ اﺳﺖ ﮐﻪ ﻻﯾﻪ ﻫﺎي ﭘﻨﻬﺎﻧﯽ ﻧﻮرون ﻫﺎي ﺑﯿﻮﻟﻮژﯾﮑﯽ در ﻣﻐﺰ، ﻣـ ﺎ را ﻣﺠﺒـﻮر ﻣﯽ ﮐﻨﻨﺪ ﺗﺎ آﻧﭽﻪ را ﮐﻪ درﯾﺎﻓﺖ ﻣﯽ ﮐﻨﯿﻢ ﺑﻬﺘﺮ درك ﻧﻤﺎﯾﯿﻢ.
- ﻧﯿﺎزي ﻧﯿﺴﺖ ﮐﻪ ﻫﺮ ﻧﻮرون ﺧﺮوﺟﯽ ﺑﻪ ورودي ﻫﺎي ﻫﻤﻪ ﻧﻮرون ﻫﺎ در ﻻﯾﻪ ﺑﻌﺪي اﺗﺼﺎل داﺷـﺘﻪ ﺑﺎﺷﺪ. اﻧﺘﺨﺎب ﭼﮕﻮﻧﮕﯽ اﺗﺼﺎل ﻫﺮ ﻧﻮرون ﺑﺎ ﻧﻮرون ﻻﯾﻪ دﯾﮕﺮ ﻧﻮﻋﯽ ﻫﻨﺮ اﺳـﺖ ﮐـﻪ ﺑـﻪ واﺳـﻄﻪ ﺗﺠﺮﺑﻪ ﺣﺎﺻﻞ ﻣﯽ ﺷﻮد.
- ورودي ﻫﺎ و ﺧﺮوﺟﯽ ﻫﺎ ﺑﻪ ﺻﻮرت ﺑﺮداري ﻧﻤﺎﯾﺶ داده ﻣﯽ ﺷﻮﻧﺪ. ﺑﻪ ﻋﻨـﻮان ﻣﺜـﺎل ، ﯾـﮏ ﺷـﺒﮑﻪ ﻋﺼﺒﯽ را ﻓﺮض ﻧﻤﺎﯾﯿﺪ ﮐﻪ ورودي ﻫﺎي آن ﺑﺮداري اﺳﺖ ﮐﻪ ﻣﻘﺎدﯾﺮ ﭘﯿﮑﺴﻞ ﺗﮑﯽ RGB ﻣﻮﺟﻮد در ﯾﮏ ﺗﺼﻮﯾﺮ را در ﺑﺮ ﻣﯽ ﮔﯿﺮد. ﺑﻪ ﻣﺜﺎل ﺷﮑﻞ 3-1 ﺗﻮﺟﻪ ﻧﻤﺎﯾﯿـﺪ . در اﯾـﻦ ﻣﺜـﺎل ﻻﯾـﻪ آﺧـﺮ ﺑﺮاﺳﺎس ﭘﺎﺳﺦ ﻣﺴﺄﻟﻪ ﻣﯽ ﺗﻮاﻧﺪ دو ﻧـﻮرون داﺷـﺘﻪ ﺑﺎﺷـﺪ . ﭘﺎﺳـﺦ ]0،1[ اﺳـﺖ اﮔـﺮ ﺗﺼـﻮﯾﺮ در ﺑﺮﮔﯿﺮﻧﺪه ﯾﮏ ﺳﮓ ﺑﺎﺷﺪ؛ ﭘﺎﺳﺦ ]1،0[ اﺳﺖ اﮔﺮ ﺗﺼﻮﯾﺮ ﺣﺎوي ﮔﺮﺑﻪ ﺑﺎﺷﺪ؛ ﭘﺎﺳـﺦ ]1،1[ اﺳـﺖ اﮔﺮ ﺗﺼﻮﯾﺮ در ﺑﺮﮔﯿﺮﻧﺪه ﻫﺮ دو ﺑﺎﺷﺪ؛ و ﭘﺎﺳﺦ ]0،0[ اﺳﺖ اﮔﺮ ﻫﯿﭻ ﮐﺪام را ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ.
ﻋﻼوه ﺑﺮ اﯾﻦ، ﻣﺸﺎﺑﻪ ﺑﺎ اﯾﺠﺎد ﻓﺮﻣﻮل ﺑﺮاي ﻧﻮرون ﻣﯽ ﺗﻮان ﺑﻪ ﺻﻮرت رﯾﺎﺿﯽ ﯾﮏ ﺷﺒﮑﻪ ﻋﺼﺒﯽ را ﺑـﻪ ﻋﻨﻮان ﯾﮏ ﺳﺮي ﻋﻤﻠﯿﺎت ﺑﺮداري و ﻣﺎﺗﺮﯾﺴﯽ ﺑﯿﺎن ﻧﻤﻮد. ﻓـﺮض ﮐﻨﯿـﺪ ﮐـﻪ ﺑـﺮدار ام ﺷـﺒﮑﻪ ﯾـﮏ ﺑـﺮدار اﺳﺖ. ﭼﻨﺎﻧﭽﻪ ﻫﺪف ﺗﻌﯿﯿﻦ ﺑﺮدار ﺑﺎﺷﺪ ﮐﻪ ﺗﻮﺳﻂ ﭘﺨـﺶ ورودي ﻣﺎﺑﯿﻦ ﻧﻮرون ﻫﺎ اﯾﺠﺎد ﺷﺪه اﺳﺖ، ﻣﯽ ﺗﻮان اﯾﻦ ﻣﻮﺿﻮع را در ﻗﺎﻟﺐ ﯾﮏ ﻣﺎﺗﺮﯾﺲ ﺳﺎده ﺿـﺮﺑﯽ ﺑﯿـﺎن ﻧﻤﻮد. اﮔﺮ ﺑﺘﻮاﻧﯿﻢ ﯾﮏ ﻣﺎﺗﺮﯾﺲ وزﻧﯽ ﺑﻪ اﻧﺪازه و ﯾﮏ ﺑـﺮدار ﺑﺎﯾـﺎس ﺑـﻪ ﺳـﺎﯾﺰ را در اﯾـﻦ ﻣﺎﺗﺮﯾﺲ اﯾﺠﺎد ﻧﻤﺎﯾﯿﻢ. آن ﮔﺎه، ﻫﺮ ﺳﺘﻮن ﯾﻪ ﯾﮏ ﻧﺮون ﻣﺮﺑﻮط ﻣﯽ ﺷﻮد، ﺟﺎﯾﮑﻪ ﻋﻨﺼﺮ ام از ﺳﺘﻮن ﻣﺮﺗﺒﻂ ﺑﻪ وزن اﺗﺼﺎل در ﻋﻨﺼﺮ ام ورودي اﺳﺖ. ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ، ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ، ﮐﻪ ﻋﻤﻠﯿـﺎت اﻧﺘﻘﺎل در ﺑﺮدار را اﻧﺠﺎم ﻣﯽ دﻫﺪ. اﻟﺒﺘﻪ ﺑﺎﯾﺪ ﺗﻮﺟﻪ داﺷـﺖ ﮐـﻪ ﻓﺮآﯾﻨـﺪ ﻓﺮﻣﻮﻟـﻪ ﻧﻤـﻮدن در ﻓﻀـﺎي ﮐـﺎرﺑﺮد ﻧﺮم اﻓﺰار ﺣﺴﺎس ﺗﺮ و ﭘﯿﭽﯿﺪه ﺗﺮ ﻧﯿﺰ ﻣﯽ ﺷﻮد.
مقداد علی بخشی هستم. موسیقی دان، برنامه نویس، متخصص هوش مصنوعی، علم داده، متخصص بلاکچین و توسعه دهنده ربات های هوشمند.
دانش آموخته مقطع ارشد و دکتری دانشکده فنی دانشگاه تهران هستم. با سابقه تدریس درس برنامه نویسی در دانشگاه (پردیس بین الملل کیش دانشگاه تهران)