GotAI.NET - Форум - Искусственный интеллект

Все темы | Новая тема

Стр.1 (36)

След. > >>

Поиск:

Автор

Тема: Нейронная сеть - не нейронная сеть.

гость
188.43.30.*

Нейронная сеть - не нейронная сеть.

Добавлено: 20 ноя 16 2:18

Вообще не люблю нейронные сети, по тому что не понимаю, как они работают. Честно пытался разобраться, но пришёл к выводу, что ум, ума не добавляет. Вроде бы всё логично и выводы делаются последовательно, а после прочтения очередного материала по теме, остаётся ощущение, что провели по проторённой дороги как телёнка и поставили в стоило жвачку пережёвывать. То, что изначально первопроходцы свернули куда-то не туда некого не смущает, теория то стройная, а искусственного интеллекта до сих пор нет – значит недоросли.
Вот здесь и всплывает первая проблема обучения. Новая базовая информация усваивается быстро, формируя каркас будущего представления о теме. И если изначально закралась ошибка, произойдёт перекос всей модели, который даже на ранних этапах корректировать запыхаешься. А если этот кривой каркас обрастёт дополнительной информацией – всё, меняйте сферу деятельности, в этой вы свой шанс упустили. Существует конечно информация, не вписывающаяся в текущие представления, которая в состоянии «порвать шаблон» и привести знания в порядок – но это редкое везение.
Отсюда первая проблема искусственного интеллекта в целом и нейронных сетей в частности – такой кривой каркас скопипастить получилось, что глаза радуются. Поэтому, ко всякого рода трудам в данной области я отношусь со скептицизмом. Отдельно биология – да. Отдельно математика – да. И даже по философии с программированием – я бы тоже не отказался почитать что ни будь для общего развития. Но когда всё это в куче и переправлено бытовыми наблюдениями, на уровне которых и предполагается вести дискуссию, картина научной стройности теряет весь свой лоск, превращаясь в детскую мазню. Ну это мой субъективный взгляд делитанта.
И поэтому, не апеллируя к мнению авторитетов, я творил в меру своей испорченности не зная, что есть такие вещи как генетические алгоритмы или клеточные автоматы, возился с чем-то подобным. Во всех случаях вывод был однозначен – само хорошо не получится. Зачем создавать программу которая будет делать «что-то такое, как-то так». Если уж делать, то программу с конкретными возможностями. Но тем неимение, именно опыт возни с этими эрзац решениями привёл к возникновению ряда вопросов. Как представлять информацию для передачи её в главный алгоритм. Как обучать. Как инициализировать события (которые в ООП) в главном алгоритме. Как хранить приобретённые знания. Вопросы появлялись именно в таком порядке.
Где-то получалось делать решения о многих костылях и на этом прорывается дальше, и опять при помощи напильника брать баррикады логики. Но каждый раз, когда вставал вопрос памяти, это было подобно устранению течей зубочистками в дуршлаге, на втором круге уже забываешь, что делал в первый раз и по чему именно так, а вода всё течёт, но вроде меньше чем раньше. В итоге решение получалось настолько гротескным, что его можно было ставить в один ряд с горгульями парижского собора, ибо хрен один не работало.
Но тем неимение, отсутствие результата тоже результат. И действительно, каждая попытка создать память привадила к созданию чего-то что можно назвать нейронной сетью. Ячейки памяти, которые что-то обозначают, и связи между ними, которые всё определяют, что и выявляло ключевую роль связей как мне казалось.
В моём представлении, сформированном ещё в школе, нейрон выполнял роль материального воплощения пороговой функции и функцию транспортировки сигнала. Забегая немного в перёд, скажу, что сейчас мне кажется, что нейрон на поверхности своей синоптической мембраны из синапсов, формирует логические группы «И» с их взаимодействием в логике «ИЛИ». Тем более, хотя описание таких процессов я и не встречал, гипотетически такая возможность существует, так как у синоптической мембраны есть свойства позволяющие такой механизм реализовать – при уменьшении площади синоптической связи, освобождённая поверхность мембраны на какое-то время становится не восприимчива к нейромедиаторам.
Действительно, когда я подошёл к созданию ИИ со стороны памяти, я столкнулся, с проблемой. Если активация нейрона происходит, при появлении определённой суммы взвешенных сигналов, то что произойдёт, если после обучения ряд незначительных сигналов перестанет поступать из-за изменения условий. То есть сигналы, обладающие маленькой массой из-за своей незначительности, важны в рамках нейронной сети. С другой стороны, комбинация слабых сигналов, свидетельствующих о наступлении события, будут проигнорированы из-за отсутствия какого-то ключевого тяжёлого сигнала.
Конечно – это редкий случай, скорее всего возникающий из-за ошибок в процессе обучения, но это возможно, а значит требуется принимать меры для исключения подобного. А я для этого слишком ленивый, значит подобное возникать не должно. То есть, нейрон, должен представлять из себя не просто пороговую функцию, а алгоритм, определяющий важность каждого поступающего сигнала.
Готового решения у меня нет, я не смог найти подходящий математический метод. Я просто игнорирую слабые сигналы, до тех пор, пока не возникнет ситуация (не произошло активации ни одного нейрона слоя), когда сильных сигналы окажется недостаточно. При этом возникла необходимость в двух видах порога. Первый отвечает за узнавание, когда сильные сигналы есть, но амплитуда сигнала не может преодолеть порог. Второй порог как раз и отвечает за отсечение шума из слабых связей и олицетворяет, поиск нового решения. Но при этом, сложной, но решаемой задачей, является выбор правильного момента для понижения того или иного порога, для всей сете или только для одного нейрона, что сопровождается процессом перераспределения масс связей – то есть обучением.
Что ещё меня не устраивает, в нейронных сетях. В повествовании это идёт на втором месте, но по значимости стоит на первом. Я не понимаю, как обучают нейронные сети, в теории конечно рассматривал, а вот с практическим представлением, что же это за хрень такая я разобраться не смог. Опять же, само хорошо не заработает. Нужно понимать, что сейчас изучается, как и к каким результатом приведёт, а не лепить горбатого, а потом радоваться, что заработало.
Я по своей наивности и с деревенской прямотой, подошёл к проблеме распределения масс связей, без математики, только на логике. Если нейрон что-то олицетворяет значит масса связи показывает, как коррелирует то что олицетворяет нейрон и событие приведшее к возбуждению связи. Если 100% корреляция, то значит, и масса связи максимальна, если корреляции нет, то и массы у связи нет. Для расчётов, метод я брал отсюда http://www.bestreferat.ru/referat-111115.html, ибо он и предназначен для работы с коррелирующими событиями. Ну по крайней мере я так думаю.
Для школьников, если тут такие есть, поясню, что сам нейрон коррелирует с собой на 100%. Следовательно, в найденную линейную функцию описывающую текущее состояние связей, вместо Х подставляем максимально возможное значение сигнала. И я тут затронул тему амплитуды сигнала, думаю понятно, что это и зачем, поэтому углубляться не буду.

Форум: Проблемы искусственного интеллекта