C'è qualche differenza tra i termini "rete neurale" e "perceptron"?
Risposte:
Sì, c'è - "perceptron" si riferisce a un particolare modello di apprendimento supervisionato, che è stato delineato da Rosenblatt nel 1957. Il perceptron è un tipo particolare di rete neurale, ed è in effetti storicamente importante come uno dei tipi di rete neurale sviluppati. Esistono altri tipi di reti neurali che sono state sviluppate dopo il percettrone e la diversità delle reti neurali continua a crescere (soprattutto se si considera l'apprendimento profondo all'avanguardia e alla moda in questi giorni).
I modelli Perceptron sono contenuti nell'insieme dei modelli di reti neurali.
Un perceptron (singolo strato) è una rete neurale a singolo strato che funziona come un classificatore binario lineare. Essendo una rete neurale a singolo strato, può essere addestrato senza l'uso di algoritmi più avanzati come la propagazione della schiena e invece può essere addestrato "facendo un passo verso" il tuo errore nei passaggi specificati da un tasso di apprendimento. Quando qualcuno dice perceptron, di solito penso alla versione a singolo strato.
Se stai parlando di una percezione multistrato , tuttavia, il termine è lo stesso di una rete neurale feed-forward .
La procedura di apprendimento Perceptron non può essere generalizzata a livelli nascosti
• La procedura di convergenza perceptron funziona garantendo che ogni volta che i pesi cambiano, si avvicinano ad ogni serie di pesi "generosamente fattibile".
- Questo tipo di garanzia non può essere esteso a reti più complesse in cui la media di due buone soluzioni può essere una cattiva soluzione.
• Quindi le reti neurali “multi-strato” non usano la procedura di apprendimento percettrone.
- Non avrebbero mai dovuto essere chiamati percetroni multistrato.
-Reference Coursera.org - Corso di rete neurale - Settimana 3
Come menzionato da @Nick Preceptron è una rete neurale a singolo strato, che utilizza programmi scritti a mano basati sul buon senso per definire le caratteristiche . Questa funzionalità viene utilizzata come input della rete e quindi prende una decisione binaria basata su quello.
[Immagine e spiegazione erano basate su Hinton Slide di Coursera]