Hur fungerar ett artificiellt neuronnät?

Hur fungerar artificiella neuronnät?

Artificiella neuronnät (artificial neural network, ANN) fungerar precis som vår mänskliga hjärna. För att lära våra barn hur en häst ser ut räcker det inte med att tala om för barnet att hästen har fyra ben, en mule och en svans. Det skulle lika gärna kunna vara en ko. För att barnet ska veta hur en häst ser ut visar vi bilder, om och om igen, på både kor och hästar (och alla andra djur). Till slut kan barnets hjärna skilja ut hästen från kon – trots att de har samma attribut. På samma sätt tränas neuronnät att känna igen vissa förutbestämda egenskaper ur till exempel bilder. Genom att ge det artificiella neuronnätet en stor mängd bilder där vi talar om vad varje bild föreställer lär sig neuronnätet att skilja ut en häst från en ko. Nätet klassificerar bilden.

 

Men hur fungerar det här?

En bild som skickas till neuronnätet kommer att bearbetas genom olika funktioner i nätverkets olika lager (faltningslager) innan den klassificeras. I varje lager ”bryts” bilden ner och informationen i bilden komprimeras innan den skickas vidare. För varje lager kommer en konserverad version av bilden skapas. Tanken är att all väsentlig information i bilden ska behållas. Den komprimerade, konserverade, informationen bearbetas ytterligare i nästa lager, och i lagret efter det.

 

Faltningslager

Varje lager kan hämta information från samtliga av de tidigare lagren för att få så korrekt information som möjligt att arbeta med. Antal lager varierar, men 16 eller 19 lager är brukligt. I varje lager letar neuronnätet efter olika typer av information i bilden, och för varje lager är den eftersökta informationen allt mer abstrakt. I det första lagret kan neuronnätet till exempel leta efter pixlar i en viss färg, några lager senare efter trekanter och ytterligare några lager senare öron. För varje lager får resultatet av matrisen ett värde: 1 eller 0, sant eller falskt. Det här värdet kommer sedan att multipliceras med ett, av neuronnätet bestämt, värde och produkten kallas för w-värde. W-värdet är av stor vikt när neuronnätet ska summera informationen och klassificera bilden. Det är detta värde som bestämmer hur stor vikt neuronnätet ska lägga vid just denna information.

 

Träning av neuronnät

Genom att träna neuronnätet lär det sig hur stor vikt varje enskilt w-värde ska ha för att få fram rätt klassificering. För varje bild justerar nätverket samtliga w-värden för att komma närmare sanningen – det vill säga vad bilden faktiskt föreställer. Det är av mycket stor vikt att materialet nätverket tränas med är korrekt och att bilderna föreställer det man talar om för nätverket. Skulle nätverket till exempel få en bild på en hund men informationen om att det är en häst kommer resultatet bli att nätverket ställer in sina w-värden fel. Konsekvensen av det är att nätverket inte kommer att nå sin fulla potential.

1. En bild skickas till neuronnätet. Alla digitala bilder består av pixlar och det är (informationen i) pixlarna nätverket kommer att arbeta med.

2. Neuronnätet bryter ner bilden, letar efter attribut genom funktioner (faltningsmatriser) och ger resultatet ett w-värde.

3. Informationen genomgår fler faltningsfunktioner tillsammans med annan information från tidigare lager.

4. Resultatet klassificeras.

 

Vad används artificiella neuronnät till?

  • Självkörande bilar
  • Bildigenkänning
  • Stormprognoser
  • Medicinska diagnoser