Есть ли разница между терминами «нейронная сеть» и «персептрон»?
Есть ли разница между терминами «нейронная сеть» и «персептрон»?
Ответы:
Да, «перцептрон» относится к конкретной модели обучения под наблюдением, которая была изложена Розенблаттом в 1957 году. Перцептрон - это особый тип нейронной сети, и на самом деле исторически важен как один из типов разработанной нейронной сети. Существуют и другие типы нейронных сетей, которые были разработаны после персептрона, и разнообразие нейронных сетей продолжает расти (особенно с учетом того, насколько современны и модны глубокие знания в наши дни).
Модели Perceptron содержатся в наборе моделей нейронных сетей.
Персептрон (однослойный) - это однослойная нейронная сеть, которая работает как линейный двоичный классификатор. Будучи однослойной нейронной сетью, она может быть обучена без использования более продвинутых алгоритмов, таких как обратное распространение, и вместо этого может обучаться, «шагая к» вашей ошибке в шагах, определенных скоростью обучения. Когда кто-то говорит персептрон, я обычно думаю о однослойной версии.
Однако, если вы говорите о многослойном персептроне , то этот термин совпадает с нейронной сетью с прямой связью .
Процедура обучения Perceptron не может быть обобщена на скрытые слои
• Процедура сходимости персептрона работает, обеспечивая, чтобы при каждом изменении весов они приближались к каждому «щедро выполнимому» набору весов.
- Этот тип гарантии не может быть распространен на более сложные сети, в которых среднее из двух хороших решений может быть плохим решением.
• Таким образом, «многослойные» нейронные сети не используют процедуру обучения персептрона.
- Их никогда не следовало называть многослойными персептронами.
-Reference Coursera.org - Курс нейронной сети - 3 неделя
Как упомянул @Nick, Preceptron - это нейронная сеть с одним слоем, в которой для определения характеристик используются рукописные программы, основанные на здравом смысле . Эти функции используются как входные данные сети, а затем принимают двоичные решения на основе этого.
[Изображение и объяснение было основано на слайде Хинтона в Coursera]