Vad är ett neuralt nätverk?
Ett artificiellt neuralt nätverk är en matematisk modell med sammankopplade beräkningsenheter. Varje enhet kombinerar indata med vikter och vanligtvis en aktiveringsfunktion. Genom att sätta ihop flera lager kan modellen lära komplicerade samband i exempelvis bilder, ljud eller text.
Namnet är inspirerat av nervsystemet, men ett neuralt nätverk är inte en digital kopia av en hjärna. Det är viktigt att skilja mellan en användbar biologisk inspiration och påståenden om förståelse, medvetande eller mänskligt tänkande.
Lager, vikter och aktiveringar
Indatalagret tar emot en numerisk representation. Dolda lager transformerar informationen och utdatalagret ger exempelvis sannolikheter för olika klasser. Vikterna styr hur starkt olika signaler påverkar nästa beräkning. Icke-linjära aktiveringar hjälper modellen att lära mer än bara enkla linjära samband.
Ett bildexempel kan börja med pixelvärden och sluta med ett förslag på kategori. Olika nätverksarkitekturer behandlar information på olika sätt. Transformer-modeller använder attention för att väga samman relationer i sitt underlag; konvolutionella nätverk är ett annat vanligt exempel.
Hur lär sig nätverket?
Under träningen gör nätverket en förutsägelse och en förlustfunktion mäter felet. Backpropagation beräknar hur parametrarna bidrar till förlusten. En optimeringsmetod använder dessa gradienter för att justera vikterna. Processen upprepas på många exempel.
Ett stort nätverk kan fortfarande göra fel. Träningsmaterialet, uppgiften och utvärderingen avgör om resultatet är användbart. Förstå också begränsningar: en modell kan missa ovanliga exempel eller förändrade förhållanden även om ett genomsnittligt testresultat ser bra ut.