انواع شبکه‌های عصبی مصنوعی

انواع شبکه‌های عصبی مصنوعی

شبکه‌های عصبی یکی از پر استفاده‌ترین و بروزترین مفاهیم محبوب در بحث هوش مصنوعی است که هر روز شاهد نوع جدیدی از این شبکه‌ها هستیم. در این نوشته به بررسی انواع شبکه‌های عصبی مصنوعی می‌پردازیم تا به سادگی یک دسته بندی کلی از این شبکه‌ها را در اختیار دارند.

پیشنهاد نویسنده‌: در ارتباط با MLP بخوانید.

انواع شبکه‌های عصبی مصنوعی

از انواع شبکه‌های عصبی می‌توان به لیست زیر اشاره کرد:

• شبکه‌های عصبی Perceptron یا پرسپترون: ساده‌ترین نوع شبکه‌های عصبی و قدیمی ترین آن‌ها است که تعدادی ورودی را دریافت و پس از تجمیع کردن آن‌ها را به لایه‌ی خروجی ارسال می‌کند.
• شبکه‌های عصبی Feed Forward Neural Networks یا پیش خور: یکی دیگر از انواع قدیمی شبکه‌های عصبی، شبکه‌های عصبی پیشخور است که به اختصار به آن‌ها FF نیز گفته می‌شود؛ رویکرد این نوع شبکه عصبی در دهه 50 میلادی می‌آید. قوانین اصلی این نوع شبکه‌های عصبی شامل‌:
  • اتصال همه گره‌ها به هم.
  • فعالسازی از سمت لایه‌های ورودی به سمت لایه‌های خروجی بدون داشتن هیچ حلقه‌ی عقب گرد یا عقب رو.
  • وجود یک لایه بین ورودی و خروجی به عنوان لایه‌ی پنهان.
• شبکه‌های عصبی Radial Basis Networks یا RBF: این نوع شبکه‌های عصبی در زبان فارسی با عنوان شبکه عصبی شعاعی پایه ترجمه شده است؛ این نوع شبکه‌های عصبی یک نوع شبکه‌ی عصبی FF هستند که به جای توابع Logistic Function از توابع Radial Basis Function برای فعالسازی لایه‌ها استفاده می‌کنند.
  شبکه‌های عصبی RBF برای مقادیر پیوسته عملکرد مناسبی از خود نشان نمی‌دهند.
• شبکه‌های عصبی Deep Feed Forward Neural Networks یا DFF: این نوع شبکه‌های عصبی در اوایل دهه‌ی 90 پس از میلاد مسیح مقدمه‌ای بر مباحث شبکه‌های عصبی شدند. شبکه‌های عصبی DFF یک نوع شبکه‌ی عصبی FF است اما به جای داشتن تنها یک لایه‌ی پنهان بیش از یک لایه‌ی پنهان در خودش دارد.
• شبکه‌های عصبی Recurrent Neural Networks یا RNN: شبکه‌های عصبی RNN در زبان فارسی با شبکه‌های عصبی بازگشتی یاد می‌شوند؛ این نوع شبکه‌ها سلول‌های پنهانی دارند که به خودشان نیز متصل هستند. اولین نوع شبکه‌های عصبی RNN، شبکه‌ی Jordan Network نام دارد که در این نوع شبکه هر یک از لایه‌های پنهان خروجی خود را بیش از یک یا چندبار تکرار می‌کند.
• شبکه‌های عصبی LSTM: این نوع شبکه‌های عصبی از نام Long/Short Term Memory می‌آیند؛ در این نوع شبکه‌ها سلول‌ها می‌توانند داده‌ها را با تاخیر زمانی پردازش کنند. کاربردهای شبکه‌های عصبی LSTM در Speech Recognition ،Wrinting Recognition است. در این نوع شبکه‌ها عنصرها به صورت بازگشتی قرار گرفته‌اند و اطلاعات خود را به یاد می‌آورند و کنترل فراموش کردن داده‌ها بر عهده‌ی خودشان است.
• شبکه‌های عصبی Gated Recurrent Unit: یکی از انواع شبکه‌های LSTM، شبکه‌ی عصبی GRU است که گیت‌ها و دوره‌های زمانی متفاوتی به نسب شبکه‌های عصبی LSTM دارند.
• شبکه‌های عصبی Auto Encoder: این نوع شبکه‌های عصبی که به صورت اختصار به شبکه‌های عصبی AE معروف هستند برای دسته بندی آموزش داده‌ها کاربرد خوبی دارند. این نوع شبکه‌های عصبی کاربرد یادگیری نظارت شده را دارند. (Supervised Learning)
• شبکه‌های عصبی Sparse AutoEncoder یا SAE: این نوع شبکه‌های عصبی به شبکه‌های عصبی خود رمزگذار معروف است که برخی الگوهای پنهان موجود در داده‌های ورودی خود را آشکار می‌سازند و نسبت به آن‌ها خروجی می‌سازند.
• شبکه عصبی هاپفیلد: این نوع شبکه‌های عصبی با Hopfiled Networksها شناخته می‌شود که به اختصار به آن شبکه‌های عصبی HN نیز می‌گویند.
• شبکه‌های عصبی ماشین بولتزمن: شبکه‌های بولتزمن شباهت زیادی به شبکه‌های هاپفیلد دارند و در آن‌ها سلول‌ها ورودی به محض ورود به شبکه و ماشین بولتزمن سلول‌های پنهان را بروز می‌کنند و به سلول‌های خروجی تبدیل می‌شو‌ند.
  این شبکه‌ها با نام Boltzmann Machines یا BM شناخته می‌شوند. یکی دیگر از انواع این شبکه‌های ماشین بولتزمن محدود است.
• شبکه‌های عصبی Deep Belief Network یا DBN: این نوع شبکه‌های عصبی از ماشین‌های بولتزمن استفاده می‌کنند که به صورت زنجیر وار پشت هم قرار می‌گیرند و با یک الگوی خاص به تولید داده‌ها می‌پردازند.
• شبکه‌های عصبی DCN: این نوع شبکه به شبکه‌های عصبی شبکه‌ای ستاره‌ای معروف است که سلول‌های آن دارای پیچش هستند. نام این نوع شبکه‌ها از Deep Convolutional Network می‌آید.
• شبکه‌های عصبی Deconvolution Network یا DN: این نوع شبکه عصبی معکوس شبکه‌های عصبی Deep Convolutional Network هستند.
• شبکه‌های عصبی Deep Convolutional Inverse Graphics Networ یا DCIGN: این نوع شبکه‌ها از چسبیدن شبکه‌های عصبی DCN به DN ایجاد شده است که یک نوع شبکه‌ی عصبی خود رمزگذار را ایجاد کرده است.
• شبکه‌های عصبی Generative Adversarial Networks یا GAN: این نوع شبکه‌ها یکی از خانواده‌های بزرگ شبکه‌های عصبی دوتایی است که دائما در حاحل تحول است.
• شبکه‌های عصبی Liquid State Machine یا LSM: این نوع شبکه‌های عصبی یک نوع شبکه عصبی اسپارس است که با فعالسازی توابع آن آستانه‌ها جایگزین می‌شوند و خروجی را تا نرسیدن به آستانه ارائه نخواهد کرد.
• شبکه‌های عصبی Extreme Learning Machine: این نوع شبکه‌های عصبی برای ساده‌تر کردن پیچیدگی زیاد در شبکه‌های عصبی پیشخور آمده است و محاسبات کم‌تری را نیاز دارد.
• شبکه عصبی Echo State Network: این نوع شبکه عصبی یک رویکرد ویژه‌ی آموزشی را دارد که داده‌ها با تکرارهای چندگانه و نظارت ناظر به سمت خروجی می‌روند.
• شبکه عصبی Kohonen Network: شبکه عصبی کوهنن یک نوع شبکه عصبی برای دسته بندی است که تلاش می‌کند داده‌های ورودی را بیشینه کند؛ این نوع شبکه‌ها هم مانند ماشین بردار پشتیبان یا SVM یک نوع شبکه عصبی واقعی به حساب نمی‌آید.
• شبکه‌های عصبی SVM: این نوع شبکه‌های عصبی که با نام ماشین بردار پشتیبان شناخته می‌شود وظیفه دسته بندی یا Classification در داده‌های دودویی را دارد.
• ماشین تورینگ عصبی یا NTM: این نوع شبکه‌های عصبی بر طبق نظر پژوهشگران و کارشناسان هوش مصنوعی از یک نوع انتزاع به نسب شبکه‌های عصبی LSTM برخوردار است. این نوع از شبکه‌های عصبی یک نوع شبکه‌ی عصبی پیشخور یا FF است که با سلول‌های حافظه استخراج شده است.

پیشنهاد کتاب:‌ کتاب آموزش شبکه‌های عصبی را بخوانید.

نظرات خود را در ارتباط با این مقاله برای ما بنویسید.