feedforwardnevrale

Feedforward-nevrale, cunoscute și ca rețele neurale feedforward sau perceptroane multi-strat (MLP), reprezintă o clasă de rețele neurale artificiale în care semnalele se propagă doar în direcția înainte, de la intrare la ieșire, prin unul sau mai multe straturi ascunse. Nu există bucle sau cicluri; fluxul de informație este neted și neoma în timp.

Arhitectură: rețeaua este alcătuită dintr-un strat de intrare, unul sau mai multe straturi ascunse și un strat de ieșire. Fiecare neuron aplică o greutate la intrări, calculează o sumă ponderată, apoi trece rezultatul printr-o funcție de activare și transmite semnalul rezultat către neuronii din următorul strat.

Antrenare: învățarea este, de obicei, supravegheată. Pe baza unui set de perechi intrare-ieșire, rețeaua generează o predicție, iar eroarea este propagată înapoi prin rețea (backpropagation) pentru a ajusta greutățile, folosind algoritmi de optimizare precum gradient descent sau variantele sale (de ex. Adam).

Tipuri și funcții de activare: rețelele pot avea un singur strat ascuns sau mai multe straturi (adâncime). Funcții comune de activare includ sigmoid, tanh și ReLU; la ieșire, se pot utiliza softmax pentru clasificare sau o funcție liniară pentru regresie.

Aplicații și limitări: utilizate pentru clasificare și regresie, recunoaștere de modele și funcții de aproximație. Ele nu memorează dependențe temporale în mod implicit, necesitând caracteristici reprezentative sau arhitecturi adăugătoare pentru date secvențiale. Necesită cantități semnificative de date etichetate și pot suferi de suprainstruire fără regularizare.

Istorie: popularizate prin lucrările din anii 1980 ale lui Rumelhart, Hinton și Williams, backpropagation deschidând calea pentru evoluția rețelelor neurale moderne.