شبکه عصبی در MATLAB

شبکه عصبی (که شبکه عصبی مصنوعی نیز نامیده می‌شود) یک سیستم تطبیقی است که با استفاده از گره‌ها یا نورون‌های به هم پیوسته در ساختار لایه‌ای که شبیه مغز انسان است، فرا گرفته می­شود. شبکه  های عصبی می‌توانند از داده‌ها یاد بگیرند، بنابراین آن می‌توانند برای تشخیص الگوها، طبقه‌بندی داده‌ها و پیش‌بینی رویدادهای آینده آموزش داده شوند.

شبکه های عصبی ورودی را به لایه‌های انتزاعی تقسیم می‌کنند. ورودي ها مي توانند خروجي ساير لايه ها بوده و يا آنكه به حالت خام در اولين لايه و به صورتهاي داده هاي عددي و رقمي، متون ادبی و فني ،تصوير و يا شكل باشد. رفتار آن به وسیله نحوه اجزاش تعریف می شود و به قدرت یا وزن (w_i) اتصالات آنها مرتبط می شود. این وزن ها به طور خودکار در طول تمرین طبق یک قانون یادگیری مشخص شده تنظیم می شوند تا زمانی شبکه های عصبی مصنوعی وظیفه مورد نظر را به درستی انجام دهد. ميزان تاثير ورودي X_i بر خروجيy، توسط وزن اندازه گيري مي شود. منظور از خروجي، پاسخ مسئله است . بنابراین، شبکه های عصبی  طوری تنظیم می­شوند که در لایه خروجی شبکه عصبی، یک ورودی مشخص منجر به خروجی خاصی در لایه خروجی شبکه عصبی شود. شبکه‌های عصبی مخصوصاً برای مدل‌سازی روابط غیرخطی مناسب هستند و معمولاً برای انجام تشخیص الگو و طبقه‌بندی اشیا یا سیگنال‌ها در گفتار، بینایی و سیستم های کنترلی استفاده می‌شوند.

تابع جمع :در شبكه هاي تك نروني ، تابع جمع در واقع خروجي را تا حدودي در لايه هاي j مشخص مي كنند و در شبکه هاي چند نروني نيز تابع جمع ميزان سطح فعاليت نرون دروني را تعیین می کند.

تابع تبديل: بديهي است كه تابع جمع پاسخ مورد انتظار شبكه نيست .تابع تبديل عضوي ضروري در شبكه هاي عصبي محسوب می شود .انواع متفاوتي از توابع تبديل وجود داردكه با توجه به ماهيت مسئله كاربرد دارند .اين تابع توسط طراح مسأله انتخاب مي گردد و بر اساس انتخاب الگوريتم يادگيري، پارامترهاي مسأله (وزن ها) تنظيم مي گردد .

در این جا چند نمونه از نحوه استفاده از شبکه عصبی  در برنامه های کاربردی یادگیری ماشین آورده شده است:

• تقسیم بندی تصاویر و فیلم ها به صورت معنایی
• تشخیص اشیاء در تصاویر، از جمله عابران پیاده و دوچرخه سواران
• تنظیم راه رفتن ربات دوپا با استفاده از یادگیری تقویتی
• تشخیص سرطان با راهنمایی پاتولوژیست ها برای طبقه بندی تومورها به عنوان خوش خیم یا بدخیم، بر اساس یکنواختی اندازه سلول، ضخامت توده، میتوز و سایر عوامل.

MATLAB جعبه ابزارهای تخصصی برای یادگیری ماشین، شبکه عصبی ، یادگیری عمیق و برنامه های کاربردی رانندگی خودکار ارائه می دهد. نرم افزار MATLAB تنها با چند خط کد به شما امکان می دهد شبکه عصبی  را بدون متخصص بودن توسعه دهید. سریع شروع کنید، مدل‌های شبکه عصبی را ایجاد و تجسم کنید، آنها را در برنامه‌های کاربردی موجود خود ادغام کنید و آنها را در سرورها، سیستم‌های سازمانی، خوشه‌ها، ابرها و دستگاه‌های تعبیه‌شده مستقر کنید.

جریان کار معمولی برای ساخت شبکه عصبی

توسعه برنامه های کاربردی هوش مصنوعی، و به طور خاص شبکه عصبی ، معمولاً شامل این مراحل است:

1. آماده سازی داده ها

• شما داده های جمع آوری شده برچسب گذاری شده کافی را به دست می آورید که برای آزمایش شبکه های عصبی عمیق بسیار بیشتر مورد نیاز است. برنامه‌های برچسب‌گذار مانند تصویر، ویدیو و علامت‌گذاری شده با سیگنال، می‌توانند این فرآیند را تسریع کنند.
• شما می توانید از شبیه سازی برای تولید داده های جمع آوری شده استفاده کنید، به خصوص اگر جمع آوری داده ها از سیستم های واقعی، غیرعملی باشد (به عنوان مثال، شرایط خرابی)
• شما می توانید داده ها را به منظور نشان دادن تنوع بیشتری در داده های جمع آوری شده تقویت کنید.

2. شبیه سازی هوش مصنوعی

• اگر می‌خواهید عملکرد شبکه‌های عصبی کم عمق را با سایر الگوریتم‌های یادگیری ماشین مرسوم، از قبیل درخت‌های تصمیم‌گیری یا SVM مقایسه کنید، یا اگر فقط داده‌های آموزشی برچسب‌گذاری شده محدودی دارید، توصیه می شود: شما می توانید شبکه عصبی  کم عمق را به صورت تعاملی در یادگیرنده طبقه بندی و رگرسیونی از جعبه ابزار آمار و یادگیری ماشین تمرین کنید، یا می توانید از توابع خطی دستوری استفاده کنید.
• شبکه عصبی  (کم عمق یا عمیق) را به صورت تعاملی با استفاده از طراح شبکه عمیق یا توابع خطی دستوری از جعبه ابزار یادگیری عمیق، (که آن به ویژه برای شبکه عصبی  عمیق مناسب است یا اگر به انعطاف پذیری بیشتری در سفارشی سازی معماری شبکه و حل کننده ها نیاز دارید) مشخص کنید.

3. شبیه سازی و تست

• شما می توانید شبکه عصبی  را در مدل های سیمولینکی به صورت بلوک ادغام کنید، که می تواند ادغام با یک سیستم بزرگتر، آزمایش و پیاده سازی در بسیاری از انواع سخت افزار را تسهیل کند.

4. پیاده سازی

• کد  C/C++ساده را از شبکه عصبی  کم عمق تنظیم شده در جعبه ابزار آمار و یادگیری ماشین برای پیاده سازی در سخت افزارهای جاسازی شده و سیستم های محاسباتی با کارایی بالا ایجاد کنید.
• کد CUDA بهینه شده و C/C++ ساده را  از شبکه عصبی  تنظیم شده در جعبه ابزار یادگیری عمیق برای استنتاج سریع بر روی GPU ها و انواع دیگر سخت افزارهای صنعتی (ARM، FPGA) ایجاد کنید.

نویسنده: فائزه کاظمی زاد، کارشناس دپارتمان مهندسی شیمی و تاسیسات گروه آموزشی پارس پژوهان