Веса (Weights).
Каждое соединение между нейронами имеет вес, который определяет важность сигнала, передаваемого от одного нейрона к другому. Веса обновляются в процессе обучения нейронной сети. Нулевой вес означает, что изменения входа не повлияют на выход.
Входной слой (Input Layer).
Это первый слой нейронной сети, который принимает входные данные и передает их в сеть для обработки. Входной слой состоит из искусственных нейронов.
Скрытые слои (Hidden Layers).
Скрытые слои находятся между входным и выходным слоями в многослойных нейросетях. Они выполняют вычисления и обработку данных. Скрытые слои позволяют нейронной сети извлекать сложные зависимости и обобщать информацию из входных данных. В однослойных нейросетях такие слои отсутствуют, сигналы от входного слоя сразу подаются на выходной слой.
Выходной слой (Output Layer).
Это последний слой нейронной сети, который генерирует выходные данные или предсказания на основе обработки информации. Количество нейронов в выходном слое зависит от типа задачи, которую решает нейронная сеть.
Функция активации (Activation Functions).
Функция активации определяет выходной сигнал нейрона. Она позволяет обрабатывать сложные данные. Существуют самые разные функции активации.
Функция потерь (Loss Function).
Функция потерь определяет разницу между предсказаниями нейронной сети и ожидаемыми значениями. Цель нейронной сети состоит в минимизации функции потерь путем обновления весов.
Оптимизатор (Optimizer).
Оптимизатор отвечает за обновление весов нейронной сети с целью минимизации функции потерь.
Обучающая выборка (Training Dataset).
Это набор данных, используемых для обучения нейронной сети. Обучающая выборка состоит из входных данных и соответствующих им правильных ответов. Нейронная сеть обрабатывает эти данные и настраивает веса для достижения правильных ответов.
Тестовая выборка (Test Dataset).
Это независимый набор данных, который не использовался в процессе обучения и используется только для оценки производительности нейронной сети после обучения. Тестовая выборка помогает оценить способность сети обобщать и делать предсказания на новых данных.
Структура и сложность.
Искусственные нейронные сети (далее — ИНС) состоят из абстрактных узлов, называемых нейронами, которые соединены с помощью взвешенных связей, представляющих собой математические функции, определяющие степень передачи сигнала между нейронами.
Биологические нейронные сети (далее — БНС), состоящие из множества клеток, называемых нейронами, обладают намного более сложной структурой и связями. Они обмениваются химическими и электрическими сигналами через синапсы.
Обучение и пластичность.
Обучение ИНС осуществляется посредством алгоритмов, таких как обратное распространение ошибки, при котором веса связей корректируются на основе разницы между предсказанными и фактическими значениями.
Обучение БНС основано на процессе, называемом пластичностью, который предполагает изменение синаптических связей между нейронами в ответ на опыт. Это происходит через различные механизмы, такие как долгосрочное усиление и долгосрочное угнетение.
Обработка информации.
ИНС обрабатывают информацию в виде числовых значений, используя математические функции активации и преобразования входных данных.
БНС обрабатывают информацию с использованием электрических и химических сигналов, а также пространственно-временных структур активности нейронов.
Энергопотребление и скорость.
ИНС обычно требуют значительного количества вычислительных ресурсов, особенно для обучения и обработки больших объемов данных.
БНС человека работают с относительно низким энергопотреблением, используя только около 20 Вт, и обрабатывают информацию с высокой скоростью благодаря параллельной обработке и многообразию связей между нейронами.