EO_514

A ciascuna sinapsi viene assegnato un peso, che è cru- ciale per le reti neurali artificiali. I pesi sono il modo in cui le reti neurali artificiali apprendono. Regolando i pesi, la rete neurale artificiale decide in che misura i segna- li vengono trasmessi. Quando si allena la rete, si decide come regolare i pesi. Apprendimento delle reti neurali artificiali Ci sono due diversi approcci per fare in modo che un pro- gramma faccia quello che si desidera. Innanzitutto, c’è l’approccio specificamente guidato e programmato. In questo approccio, si imposta il programma per fare ciò che esattamente si vuole che faccia. Nelle reti neurali, invece, si impostano gli input della rete, quali output si desiderano e infine si lascia che la rete impari da sola. Consentendo alla rete di auto-apprendere, possiamo evi- tare la necessità di entrare in tutte le regole. Per una rete neurale, è possibile creare l’architettura e poi lasciarla andare a imparare. Una volta addestrata, si può immet- tere un nuovo input e la rete neurale sarà in grado di di- stinguere l’output. La figura 2 illustra un esempio di una struttura di rete neurale artificiale costituita da strati di input, strati nascosti e strati di output. Esistono diversi tipi di reti neurali, generalmente clas- sificati in reti feedforward e feedback. Una rete fee- dforward è una rete che contiene input, output e strati nascosti. I segnali possono viaggiare solo in una direzio- ne (in avanti). I dati di input passano in uno strato suc- cessivo in cui vengono eseguiti i calcoli. Ogni elemento di elaborazione calcola l’output in base alla somma pesata dei pesi dei suoi input. I nuovi valori di output diventano i nuovi valori di input che alimentano lo strato succes- sivo. Questo processo continua attraverso tutti gli strati della rete e determina l’output finale. Le reti feedforward vengono spesso utilizzate, ad esempio, nel data mining. Una rete feedback (ad esempio, una rete neurale ricor- rente) ha percorsi di feedback. Ciò significa che possono avere segnali che viaggiano in entrambe le direzioni uti- lizzando loop. Sono consentite tutte le possibili connes- sioni tra i neuroni. Poiché in questo tipo di rete sono pre- senti dei loop, diventa un sistema dinamico non lineare che cambia continuamente fino a raggiungere uno stato di equilibrio. Le reti di feedback sono spesso utilizzate nei problemi di ottimizzazione in cui la rete cerca la mi- gliore disposizione dei fattori interconnessi. La maggior parte delle moderne architetture di deep le- arning si basa su reti neurali artificiali. Usano molti stra- ti di unità di elaborazione non lineari per l’estrazione e la trasformazione delle caratteristiche. Ogni strato succes- sivo usa l’output dello strato precedente come input. Ciò che imparano forma una gerarchia di concetti. In questa TECH FOCUS NEURAL NETS gerarchia ogni strato impara a trasformare i propri dati di input in una rappresentazione sempre più astratta e composita. Ciò significa che per un’immagine, ad esempio, l’in- put potrebbe essere una matrice di pixel. Il primo strato potrebbe codificare i bordi e comporre i pixel. Lo strato successivo potrebbe comporre una disposizione di bordi. Lo strato successivo potrebbe codificare naso e occhi. Lo strato successivo potrebbe riconoscere che l’immagine contiene un volto, e così via. Vediamo cosa succede all’interno del neurone. Il nodo di input riceve informazioni che sono in forma numerica. Le informazioni sono presentate come un valore di atti- vazione in cui a ciascun nodo viene assegnato un nume- ro. Più alto è il numero, maggiore è l’attivazione. In base alla forza della connessione (peso) e alla funzio- ne di trasferimento, il valore di attivazione passa al nodo successivo. (Il peso indica il livello di importanza di un input, maggiore è l’importanza di un input, più alto sarà il peso di quell’input). Ciascuno dei nodi somma i valori di attivazione che ri- ceve (calcola la somma pesata) e modifica tale somma in base alla sua funzione di trasferimento. Successivamen- te, applica una funzione di attivazione. Una funzione di attivazione (o funzione di trasferimento) è una funzione applicata a questo particolare neurone. Da ciò, il neurone capisce se deve trasmettere un segnale o meno. L’attiva- zione attraversa la rete fino a raggiungere i nodi di uscita. La rete utilizzerà una funzione di costo (o funzione di perdita) per confrontare l’output e l’output effettivo pre- Fig. 2 – Una rete neurale artificiale ELETTRONICA OGGI 514 - NOVEMBRE/DICEMBRE 2023 34