Inligting

20.7: Neurale netwerke - Biologie

20.7: Neurale netwerke - Biologie


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Neurale netwerke het die brein en die senuweestelsel gemodelleer in 'n poging om breinagtige leer te bereik. In verband met hierdie boek, het hulle ook bewys dat hulle baie goeie biologiese modelle is (nie verbasend om te gee waar hulle ontstaan ​​het nie).

Toevoernette

In 'n neurale netwerk karteer ons die insette na die uitset wat deur verborge toestande gaan wat deur leer geparametriseer word.

• Inligtingvloei is eenrigting

• Data word aan Invoerlaag aangebied

• Oorgedra na Hidden Layer
• Oorgedra na Uitsetlaag

• Inligting word versprei
• Inligtingverwerking is parallel

Terug-voortplanting

Terug-voortplanting is een van die mees invloedryke resultate vir die opleiding van neurale nette en stel ons in staat om maklik multi-laag netwerke te hanteer.

• Vereis opleidingstel (invoer / uitset pare)

• Begin met klein ewekansige gewigte

• Fout word gebruik om gewigte aan te pas (leer onder toesig)
Dit voer basies gradiënt-afkoms uit op die foutlandskap en probeer om die fout te minimaliseer. Dus, terug voortplanting kan stadig wees.

Diep leer

Diep leer is 'n versameling statistiese masjienleertegnieke wat gebruik word om kenmerkhiërargieë te leer. Dikwels gebaseer op kunsmatige neurale netwerke. Diep neurale netwerke het meer as een versteekte laag. Elke opeenvolgende laag in 'n neurale netwerk gebruik kenmerke in die vorige laag om meer komplekse kenmerke te leer. Een van die (relevante) doelwitte van diepleermetodes is om hiërargiese kenmerk-ekstraksie uit te voer. Dit maak diep leer 'n aantreklike benadering tot modellering van hiërargiese generatiewe prosesse soos wat algemeen in sisteembiologie voorkom.

Voorbeeld: DeepBind (Alipanahi et al. 2015)

DeepBind[1] is 'n masjienleerinstrument wat ontwikkel is deur Alipanahi et al. om die volgorde-spesifisiteite van DNA- en RNA-bindende proteïene te voorspel deur gebruik te maak van diepleergebaseerde metodes.

Die skrywers wys op drie moeilikhede wat teëgekom word wanneer modelle van volgorde van spesifisiteite opgelei word op die groot volumes volgordedata wat deur moderne hoëdeursettegnologieë geproduseer word: (a) die data kom in kwalitatief verskillende vorms, insluitend proteïenbindende mikroskikkings, RNAcompete-toetse, ChIP- seq en HT-SELEX, (b) die hoeveelheid data is baie groot (tipiese eksperimente meet tien tot honderdduisend rye en (c) elke dataverkrygingstegnologie het sy eie formate en foutprofiel en dus is 'n algoritme nodig wat robuust is aan hierdie ongewenste effekte.

Die DeepBind-metode is in staat om hierdie probleme op te los deur middel van (a) parallelle implementering op 'n grafiese verwerkingseenheid, (b) verdra 'n matige mate van geraas en verkeerd geklassifiseerde opleidingsdata en (c) voorspellingsmodel op 'n outomatiese wyse op te lei terwyl die behoefte aan handverstelling te vermy. Die volgende figure illustreer aspekte van die Deep Bind-pyplyn.

Om die bekommernis van ooraanpassing aan te spreek, het die skrywers verskeie reguleerders gebruik, insluitend uitval, gewigsverlies en vroeë stop.

Uitval: Voorkoming van oorpassing

Uitval[5] is 'n tegniek om die probleem van oorpassing op die opleidingsdata in die konteks van groot netwerke aan te spreek. As gevolg van die vermenigvuldiging van gradiënte in die berekening van die kettingreël, word versteekte eenheidgewigte mede-aangepas wat tot oorpassing kan lei. Een manier om mede-aanpassing van verborge eenheidgewigte te vermy, is om bloot eenhede (lukraak) te laat val. 'n Voordelige gevolg van eenhede laat val is dat groter neurale netwerke meer berekeningsintensief is om op te lei.

Hierdie benadering neem egter 'n bietjie langer met betrekking tot opleiding. Verder is die instel van stapgrootte 'n bietjie van 'n uitdaging. Die skrywers verskaf 'n aanhangsel, waarin hulle (in deel (A)) 'n nuttige "Praktiese gids vir opleiding van uitvalnetwerke" verskaf. Hulle merk op dat tipiese waardes vir die uitvalparameter p (wat

Met vergunning van Macmillan Publishers Beperk. Met toestemming gebruik.

Bron: Alipanahi, Babak, Andrew Delong, et al. "Die voorspelling van die reeksspesifisiteite van

DNA- en RNA-bindende proteïene deur Deep Learning." Nature Biotechnology (2015)

bepaal die waarskynlikheid dat 'n nodus laat val) is tussen 0.5 en 0.8 vir versteekte lae en 0.8 vir invoerlae.


Kyk die video: Neuro 9 Codierung von Reizen (Oktober 2022).