سفر به دنیای شبکه های عصبی با سامان: سفری به عمق شبکه‌های عصبی (قسمت دوم)
3دقیقه
ورود به لایه‌های پنهان سامان بعد از اولین برخورد سفر به دنیای شبکه های عصبی با سامان: از پایه تا پیشرفته (قسمت اول) با دنیای شبکه های عصبی ، مشتاق بود که بفهمد این نورون‌های مصنوعی چگونه دقیق‌تر عمل می‌کنند. او سوالات زیادی در ذهن داشت. مثلاً: «این لایه‌ها که از آن‌ها صحبت می‌کنند، چه هستند؟ و چرا برخی از آن‌ها را پنهان می‌نامند؟»
در حالی که هنوز در افکارش غرق بود، ناگهان خودش را در یک اتاق بزرگ پر از خطوط و گره‌های متصل به هم دید. نورون‌های مصنوعی مثل دایره‌های کوچکی بودند که با هم ارتباط داشتند و هر بار اطلاعاتی را از همدیگر عبور می‌دادند. سامان فهمید که وارد یک شبکه عصبی مصنوعی شده است!
سرفصل های مقاله
آشنایی با لایه‌های شبکه های عصبی
سامان در مرکز شبکه بود، جایی که می‌توانست همه چیز را به وضوح ببیند. صدای هوش مصنوعی آشنا دوباره ظاهر شد و گفت: « سامان، به دنیای لایه‌های شبکه های عصبی خوش آمدی. هر شبکه عصبی از چندین لایه تشکیل شده است: لایه ورودی، لایه پنهان و لایه خروجی. تو حالا در میانه این لایه‌ها هستی، درست جایی که همه تصمیمات مهم گرفته می‌شوند.»
سامان پرسید: « این لایه ورودی چه کار می‌کند؟» هوش مصنوعی با حوصله توضیح داد: «خیلی ساده است. در لایه ورودی، داده‌های خام وارد شبکه می‌شوند. مثلاً اگر بخواهیم یک تصویر را به شبکه بدهیم، هر پیکسل تصویر یک داده است که وارد نورون‌های لایه ورودی می‌شود.»
لایه پنهان : جادو اینجاست! سامان کمی جلوتر رفت و وارد بخشی شد که به نظر می‌رسید همه چیز پیچیده‌تر است. هوش مصنوعی توضیح داد: «اینجا لایه‌های پنهان هستند، جایی که جادوی واقعی اتفاق می‌افتد. نورون‌های پنهان، ورودی‌ها را می‌گیرند، آن‌ها را پردازش می‌کنند و ویژگی‌های مهم را از دل اطلاعات استخراج می‌کنند.»
سامان کمی گیج شد: « اما چرا به این‌ها لایه پنهان می‌گویند؟» هوش مصنوعی پاسخ داد: « به این خاطر که ما نمی‌توانیم مستقیم ببینیم این لایه‌ها چه کار می‌کنند. مثل جعبه سیاه هستند. اما کار اصلی، همین‌جا در لایه‌های پنهان انجام می‌شود. این لایه‌ها الگوهای پنهانی را در داده‌ها شناسایی می‌کنند.»
مثالی از دنیای واقعی
برای اینکه موضوع برای سامان واضح‌تر شود، هوش مصنوعی مثال زد: « فرض کن می‌خواهی یک عکس از یک گربه را به شبکه بدهی. لایه ورودی تصویر پیکسل‌ها را می‌گیرد. لایه‌های پنهان به دنبال الگوهایی مثل گوش‌ها، چشمان، و شکل بدن می‌گردند. در نهایت، لایه خروجی تشخیص می‌دهد که این تصویر متعلق به یک گربه است.»
لایه خروجی: نتیجه‌گیری نهایی سامان جلوتر رفت و به آخرین قسمت شبکه رسید : لایه خروجی . اینجا نورون‌ها آخرین اطلاعات را دریافت می‌کردند و یک تصمیم نهایی می‌گرفتند. مثلاً در مورد تشخیص عکس گربه، نتیجه نهایی که به خروجی داده می‌شود، یک «بله» است: «این تصویر یک گربه است.»
چگونه شبکه‌ها بهتر می‌شوند؟
سامان از هوش مصنوعی پرسید: « پس چطور شبکه می‌تواند با هر بار یادگیری بهتر شود؟» هوش مصنوعی گفت: « اینجا نقش یادگیری عمیق مشخص می‌شود. شبکه بعد از هر تصمیم، خطاهایش را بررسی می‌کند. به این فرآیند پس انتشار خطا می‌گوییم. در واقع شبکه با هر بار یادگیری، وزن ارتباطات نورون‌ها را اصلاح می‌کند تا در دفعات بعدی دقیق‌تر عمل کند.»
پایان قسمت دوم
سامان با درک بهتری از لایه‌های شبکه عصبی و نحوه عملکرد آن‌ها، آماده است تا در قسمت بعدی وارد دنیای پس‌انتشار خطا و یادگیری شبکه‌های عصبی شود. او کم‌کم متوجه می‌شود که این شبکه‌ها به طور مداوم یاد می‌گیرند و به مرور زمان هوشمندتر می‌شوند.
در قسمت دوم، مفاهیم لایه‌های شبکه عصبی و نحوه عملکرد هر لایه به زبان ساده توضیح داده شد. در قسمت‌های بعدی به مباحث بیشتری مانند یادگیری عمیق، پس‌انتشار خطا و بهینه‌سازی شبکه‌های عصبی خواهیم پرداخت.
