Perceptrony
Perceptron je umělý neuron
Je to nejjednodušší možná neuronová síť
Neuronové sítě jsou stavebními kameny umělé inteligence .
Frank Rosenblatt
Frank Rosenblatt (1928 – 1971) byl americký psycholog pozoruhodný v oblasti umělé inteligence.
V roce 1957 začal něco opravdu velkého.
Vědci zjistili, že mozkové buňky ( neurony ) přijímají vstup z našich smyslů prostřednictvím elektrických signálů.
Neurony pak opět používají elektrické signály k ukládání informací a k rozhodování na základě předchozího vstupu.
Frank měl myšlenku, že umělé neurony mohou simulovat principy mozku se schopností učit se a rozhodovat se.
Z těchto myšlenek „vynalezl“ Perceptron .
Perceptron byl testován na počítači IBM 704 v Cornell Aeronautical Laboratory v roce 1957.
Perceptron
Původní Perceptron byl navržen tak, aby přijal řadu binárních vstupů a vytvořil jeden binární výstup (0 nebo 1).
Cílem bylo použít různé váhy k reprezentaci důležitosti každého vstupu a že součet hodnot by měl být větší než prahová hodnota, než učiníte rozhodnutí, jako je pravda nebo nepravda (0 nebo 1).
Příklad perceptronu
Představte si perceptron (ve vašem mozku).
Perceptron se snaží rozhodnout, zda byste měli jít na koncert.
Is the artist good? Is the weather good?
What weights should these facts have?
| Criteria | Input | Weight |
|---|---|---|
| Artists is Good | x1 = 0 or 1 | w1 = 0.7 |
| Weather is Good | x2 = 0 or 1 | w2 = 0.6 |
| Friend Will Come | x3 = 0 or 1 | w3 = 0.5 |
| Food is Served | x4 = 0 or 1 | w4 = 0.3 |
| Alcohol is Served | x5 = 0 or 1 | w5 = 0.4 |
The Perceptron Algorithm
Frank Rosenblatt suggested this algorithm:
- Set a threshold value
- Multiply all inputs with its weights
- Sum all the results
- Activate the output
1. Set a threshold value:
- Threshold = 1.5
2. Multiply all inputs with its weights:
- x1 * w1 = 1 * 0.7 = 0.7
- x2 * w2 = 0 * 0.6 = 0
- x3 * w3 = 1 * 0.5 = 0.5
- x4 * w4 = 0 * 0.3 = 0
- x5 * w5 = 1 * 0.4 = 0.4
3. Sum all the results:
- 0.7 + 0 + 0.5 + 0 + 0.4 = 1.6 (The Weighted Sum)
4. Activate the Output:
- Return true if the sum > 1.5 ("Yes I will go to the Concert")
If the treshold value is 1.5 for you, it might be different for someone else.
Example
const treshold = 1.5;
const inputs = [1, 0, 1, 0, 1];
const weights = [0.7, 0.6, 0.5, 0.3, 0.4];
let sum = 0;
for (let i = 0; i < inputs.length; i++) {
sum += inputs[i] * weights[i];
}
const activate = (sum > 1.5);
Perceptron Terminology
- Perceptron Inputs
- Node values
- Node Weights
- Activation Function
Perceptron Inputs
Perceptron inputs are called nodes.
The nodes have both a value and a weight.
Node Values
In the example above the node values are: 1, 0, 1, 0, 1
Node Weights
Weights shows the strength of each node.
In the example above the node weights are: 0.7, 0.6, 0.5, 0.3, 0.4
The Activation Function
The activation functions maps the result (the weighted sum) into a required value like 0 or 1.
The binary output (0 or 1) can be interpreted as (no or yes) or (false or true).
In the example above, the activation function is simple: (sum > 1.5)
In Neuroscience, there is a debate if single-neuron encoding or distributed encoding is most relevant for understanding how the brain functions.
It is obvious that a decision like the one above, is not made by one neuron alone.
At least there must be other neurons deciding if the artist is good, if the weather is good...
Neural Networks
The Perceptron defines the first step into Neural Networks.
The perceptron is a Single-Layer Neural Network.
The Neural Network is a Multi-Layer Perceptron.