Perceptrons
Perceptronเป็นเซลล์ประสาทเทียม
เป็นโครงข่ายประสาทเทียม ที่ง่ายที่สุด
โครงข่ายประสาทเทียมเป็นส่วนสำคัญของปัญญาประดิษฐ์
แฟรงค์ โรเซนแบลตต์
Frank Rosenblatt (1928 - 1971) เป็นนักจิตวิทยาชาวอเมริกันที่มีชื่อเสียงในด้านปัญญาประดิษฐ์
ในปีพ.ศ. 2500เขาเริ่มต้นสิ่งที่ยิ่งใหญ่
นักวิทยาศาสตร์ได้ค้นพบว่าเซลล์สมอง ( เซลล์ประสาท ) รับข้อมูลจากประสาทสัมผัสของเราโดยสัญญาณไฟฟ้า
จากนั้นเซลล์ประสาทจะใช้สัญญาณไฟฟ้าอีกครั้งเพื่อเก็บข้อมูล และตัดสินใจโดยอิงจากข้อมูลที่ป้อนไว้ก่อนหน้า
แฟรงค์มีความคิดว่าเซลล์ประสาทประดิษฐ์สามารถจำลองหลักการของสมองด้วยความสามารถในการเรียนรู้และตัดสินใจ
จากความคิดเหล่านี้ เขา ได้"ประดิษฐ์" Perceptron
Perceptron ได้รับการทดสอบบนคอมพิวเตอร์ IBM 704 ที่ Cornell Aeronautical Laboratory ในปี 2500
The Perceptron
Perceptronดั้งเดิมได้รับการออกแบบมาเพื่อรับอินพุตไบนารี จำนวนหนึ่ง และสร้าง เอาต์พุตไบนารี หนึ่งรายการ (0 หรือ 1)
แนวคิดคือการใช้น้ำหนัก ที่แตกต่างกัน เพื่อแสดงความสำคัญของอินพุต แต่ละ รายการ และผลรวมของค่าควรมากกว่า ค่า เกณฑ์ก่อนตัดสินใจเช่นจริงหรือเท็จ (0 หรือ 1)
ตัวอย่าง Perceptron
ลองนึกภาพผู้รับรู้ (ในสมองของคุณ)
เพอร์เซปตรอนพยายามตัดสินใจว่าคุณควรไปคอนเสิร์ตหรือไม่
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.