Professional Documents
Culture Documents
D. Balbontn Noval
F. J. Martn Mateos
J. L. Ruiz Reina
Dpto. Ciencias de la Computaci
on e Inteligencia Artificial
Universidad de Sevilla
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
El area de la conexi
on sinaptica puede potenciar o debilitar la
se
nal recibida. Las conexiones sinapticas son dinamicas. Con
el desarrollo y el aprendizaje algunas conexiones se potencian,
otras se debilitan
Cerebro humano: red de neuronas interconectadas
Aproximadamente 1011 neuronas con 104 conexiones cada una
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Pn
j=0 wji aj )
Donde:
g es una funci
on de activaci
on
P
n
El sumatorio j=0 wji aj (notado ini ) se hace sobre todas las
unidades j que envan su salida a la unidad i
Excepto para j = 0, que se considera una entrada ficticia
a0 = 1 y un peso w0i denominado umbral
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Clasificaci
on
Reconocimiento de patrones
Optimizaci
on
Predicci
on: climatologica, de audiencias, etc
Interpretaci
on de datos sensoriales del mundo real
Reconocimiento de voz
Vision artificial, reconocimiento de imagenes
Satisfaccion de restricciones
Control, de robots, vehculos, etc
Compresi
on de datos
Diagnosis
Tema 9: Introducci
on a las redes neuronales
Perceptrones
Tema 9: Introducci
on a las redes neuronales
Pn
La ecuacion i=0 wi xi = 0 representa un hiperplano en R n
Es decir, una funcion booleana solo podra ser representada por
un perceptr
on umbral si existe un hiperplano que separa los
elementos con valor 1 de los elementos con valor 0
(linealmente separable)
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Algoritmo
1) Considerar unos pesos iniciales generados aleatoriamente
~ (w0 , w1 , . . . , wn )
w
2) Repetir hasta que se cumpla la condici
on de terminaci
on
1) Para cada (~x , y ) del conjunto
Pn de entrenamiento hacer
1) Calcular o = umbral( i=0 wi xi ) (con x0 = 1)
2) Para cada peso wi hacer: wi wi + (y o)xi
~
3) Devolver w
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
1
2
d (yd
od )2 =
1
2
d [yd
g (w0 x0 + w1 x1 + + wn xn )]2
Tema 9: Introducci
on a las redes neuronales
E[w]
15
10
5
0
2
-2
-1
-1
w0
w1
~ aleatorio y modificarlo
La idea es comenzar con un w
sucesivamente en peque
nos desplazamientos en la direcci
on
~ w
~ + ~
opuesta al gradiente, esto es w
w , siendo
~
w = E (~
w ), y el factor de aprendizaje
Inteligencia Artificial IA 20132014
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Algoritmo
1) Considerar unos pesos iniciales generados aleatoriamente
~ (w0 , w1 , . . . , wn )
w
2) Repetir hasta que se cumpla la condici
on de terminaci
on
1) Inicializar wi a cero, para i = 0, . . . , n
2) Para cada (x, y )
PD,
1) Calcular in = ni=0 wi xi y o = g (in)
2) Para cada i = 0, . . . , n, hacer
wi wi + (y o)g (in)xi
3) Para cada peso wi , hacer wi wi + wi
~
3) Devolver w
Tema 9: Introducci
on a las redes neuronales
La Regla Delta
d
De esta forma, E
wi = (y o)g (in)(xi ), y siendo
Ed
wi = wi , tendremos wi = (y o)g (in)xi , y por
tanto wi wi + (y o)g (in)xi
Este metodo para actualizar los pesos iterativamente es
conocido como Regla Delta
Tema 9: Introducci
on a las redes neuronales
Algoritmo
1) Considerar unos pesos iniciales generados aleatoriamente
~ (w0 , w1 , . . . , wn )
w
2) Repetir hasta que se cumpla la condici
on de terminaci
on
1) Para cada (~x , y )
PnD
1) Calcular in = i=0 wi xi y o = g (in)
2) Para cada peso wi , hacer
wi wi + (y o)g (in)xi
~
3) Devolver w
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
El Algoritmo de Retropropagacion
Entrada: Un conjunto de entrenamiento D (con ejemplos de
la forma (~x , ~y ), con ~x R n e ~y R m ), un factor de
aprendizaje , una funci
on de activacion g diferenciable y una
estructura de red
Algoritmo
1) Inicializar los pesos de la red (aleatoriamente, usualmente
con valores cercanos a cero, positivos o negativos)
2) Repetir hasta que se satisfaga el criterio de parada
1) Para cada ejemplo (~x , ~y ) D hacer:
1) Calcular la salida ai de cada unidad i, propagando
valores hacia adelante
2) Calcular los errores i de cada unidad i y actualizar
los pesos wji , propagando valores hacia detr
as
3) Devolver red
Tema 9: Introducci
on a las redes neuronales
Procedimiento
1) Para cada nodo i de la capa de entrada hacer ai xi
2) Para l desde 2 hasta L hacer
P
1) Para cada nodo i de la capa l hacer ini j wji aj y
ai g (ini ) (donde en el sumatorio anterior hay un
sumando por cada unidad j de la capa l 1)
Tema 9: Introducci
on a las redes neuronales
Procedimiento
1) Para cada unidad i en la capa de salida hacer
i g (ini )(yi ai )
2) Para l desde L 1 hasta 1 (decrementando l) hacer
1) Para cada nodoP
j en la capa l hacer
1) j g (inj ) i wji i (donde el sumatorio anterior
tiene un sumando por cada unidad i de la capa l + 1)
2) Para cada nodo i en la capa l + 1 hacer
wji wji + aj i
Tema 9: Introducci
on a las redes neuronales
1
1+e x
y que
Tema 9: Introducci
on a las redes neuronales
Un ejemplo de Retropropacion
Tema 9: Introducci
on a las redes neuronales
Unidad
Salida
7
6
Oculta
Entrada
3
2
1
C
alculos que se realizan
7 = a7 (1 a7 )(y7 a7 )
w0,7 w0,7 + a0 7
6 = a6 (1 a6 )(y6 a6 )
w0,6 w0,6 + a0 6
5 = a5 (1 a5 )[w5,6 6 + w5,7 7 ]
w0,5 w0,5 + a0 5
w5,6 w5,6 + a5 6
w5,7 w5,7 + a5 7
4 = a4 (1 a4 )[w4,6 6 + w4,7 7 ]
w0,4 w0,4 + a0 4
w4,6 w4,6 + a4 6
w4,7 w4,7 + a4 7
w3,4
w3,5
w2,4
w2,5
w1,4
w1,5
w3,4 + a3 4
w3,5 + a3 5
w2,4 + a2 4
w2,5 + a2 5
w1,4 + a1 4
w1,5 + a1 5
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
En este u
ltimo caso, se corre el riesgo de sobreajuste, por lo
que lo mas frecuente es usar un conjunto de prueba
independiente para validar el error, o incluso validaci
on
cruzada
Inteligencia Artificial IA 20132014
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Tema 9: Introducci
on a las redes neuronales
Bibliografa
Tema 9: Introducci
on a las redes neuronales