Una rete neurale è un modello ispirato al funzionamento del cervello umano, usato per imparare da dati e fare previsioni o decisioni.
Addestramento
- Input: La rete riceve input, che possono essere dati come numeri, immagini, testo o altro. Questo input viene chiamato train set.
- Strati di Neuroni: La rete è composta da strati di “neuroni” artificiali. Ogni neurone in uno strato riceve input da vari neuroni dello strato precedente.
- Pesi e Bias: Ogni connessione tra neuroni ha un “peso” e ogni neurone ha un “bias”. All’inizio sono inizializzati casualmente (o secondo una algoritmo specifico) e poi pesi e bias sono modificati durante l’apprendimento della rete. Sono come regolatori che decidono quanto l’input da un neurone precedente è importante.
- Funzioni di attivazione: Ogni neurone applica una funzione di attivazione al suo input. Questa funzione decide se e quanto il neurone “si attiva”, cioè quanto fortemente trasmette il segnale ai neuroni successivi.
- Elaborazione: Il segnale passa attraverso la rete, da strato a strato, trasformandosi in base ai pesi, ai bias e alle funzioni di attivazione. Una epoca è un termine che indica un completo ciclo di passaggio di tutti i dati di allenamento attraverso il modello. Se stai addestrando la tua rete neurale a riconoscere le foto di gatti, un’epoca significa che la rete ha visto tutte le diverse foto di gatti che hai.
- Output: L’ultimo strato della rete produce l’output, che può essere una classificazione (come identificare se un’immagine mostra un gatto o un cane), una previsione (come prevedere il prezzo di una casa), o altro tipo di risultato.
- Aggiornamento dei pesi: Durante questa fase, la rete neurale confronta il suo output con la risposta corretta e regola i pesi e i bias (un processo chiamato “Backpropagation”) per migliorare le sue previsioni o decisioni in futuro. Il numero di dati processati prima di procedere alla backpropagation è detto Batch size. Gli algoritmi che utilizza per aggiustare tali pesi sono chiamati Algoritmi di ottimizzazione. La funzione che indica quanto una rete neurale sta lavorando è detta Loss function o funzione di costo e l’obiettivo è ridurre questo valore durante le varie iterazioni.
- Iterazione: Questo processo di regolazione avviene molte volte (Epoche) per rendere la rete più precisa e affidabile.
Dopo l’allenamento, il modello è pronto per l’Inferenza, dove viene applicato a nuovi dati (il test set) per fare previsioni o prendere decisioni basate su ciò che ha appreso.
In questa figura si vedono gli input del modello, l’applicazione dell’algoritmo di ottimizzazione che crea un nuovo modello, nel senso che aggiorna i pesi e i bias del modello iniziale, e la funzione di costo che rappresenta la misura dell’errore del modello rispetto ai dati di addestramento.
Con il passare delle epoche la funzione di costo deve tendere al minimo.
Visualizzazione
In questo esempio si vedono i nodi della rete con i livelli di input, nascosti e di output e di come ogni nodo fornisca un risultato in base ad una sua funzione lineare con pendenza i pesi e quota il bias e una funzione di attivazione che fornisce l’output effettivo del nodo che poi viene passato ai nodi successivi.
