Beruflich Dokumente
Kultur Dokumente
Cornujols
A. Cornujols
Calculs paralllisables
Algorithmes simples
(antoine@lri.fr)
Capable dapprentissage
!
I.I.E.
&
L.R.I., Universit dOrsay
A. Cornujols
A. Cornujols
Antoine Cornujols
A. Cornujols
Inspiration biologique
Les dfauts
Neurones
! 1011 neurones dans le cerveau humain
! 104 connexions (synapses + axones) / neurone
A. Cornujols
Prmisses
Fonctionnement
en reconnaissance
Apprentissage ?
Premires ralisations
A. Cornujols
Topologie typique
Nouveaux modles
Kohonen (apprentissage comptitif), ...
Hopfield (1982) (rseau boucl)
Perceptron Multi-Couches (1985)
Analyse et dveloppements
Thorie du contrle, de la gnralisation (Vapnik), ...
A. Cornujols
ak : activation de la cellule k
: fonction d
dactivation
+1
Fonction seuil
+1
g(a) =
1
1+ e
Fonction rampe
!a
g(a) = g(a)(1-g(a))
Sortie z i
+1
#
&
yl = g% " w jk ! j ( = g(ak )
$ j = 0, d
'
A. Cornujols
A. Cornujols
10
Le PMC : lapprentissage
A. Cornujols
11
A. Cornujols
Interprtation gomtrique
Apprentissage :
A. Cornujols
13
Objectif :
w * = arg min
w
" [ y(x
; w) ! u(xl )
l =1
1
#R (x ,w)
$ E#wk
m k =1
ij
16
A. Cornujols
! El
! wij
" El
" El
=
= g' (ak )
= g' (ak )# (uk (xl ) $ y k )
" ak
" yk
" E l " ak
=
k " aj
#"a
k
#!
k
" ak " zj
= g' (a j )$ # w jk !k
" zj " a j
k
A. Cornujols
zi : sortie de la cellule i
!i : erreur attache la cellule i
Cellule cache
Cellule de sortie
aj
17
ai : activation de la cellule i
" El
=
" aj
! El
! El ! a j
=
= " j zi
! wij
! a j ! wij
!j =
15
7. Retour en 1
Ide : calculer lerreur sur la connexion wji en fonction de lerreur aprs la cellule j
A. Cornujols
A. Cornujols
!k
w (! )
Deux tapes :
6. Critre darrt
$E
$wij
# RE (x k ,w)
# wij
= w(ij! ) " #
Cas en-ligne
(gradient stochastique) :
wij( ! +1)
Principe :
E ( ! ) " #w E
w( t ) = w( t !1) ! " # Ew (t )
Le problme :
E ( ! +1)
Algorithme itratif :
14
o :
A. Cornujols
Cas hors-ligne
(gradient total) :
!E(w* ) = 0
# "
"
" &
! = %
,
, ...,
"w N ('
$ " w1 "w 2
12
zi
wij
!j
ak
zj
wjk
yk
!k
18
A. Cornujols
19
A. Cornujols
20
!w
js
yj
wis
y1 (x)
Biais
w0
x0
w1
x1
ai (x) =
w2
w3
x3
w0
Biais
xd
x0
A. Cornujols
22
A. Cornujols
Applications : la discrimination
w1
x1
1 neurone de sortie
Probabilit [0,1]
Critre entropique
w3
x2
x3
Efficacit en reconnaissance
wd
. . .
xd
A. Cornujols
25
A. Cornujols
Reconnaissance de locuteurs
w0
x0
w1
x1
w2
x2
w3
x3
wd
. . .
xd
{0,1, , c}
[0,1]
!
!
1 neurone / classe
Code correcteur derreur
Biais
w0
x0
w1
x1
. . .
w2
x2
w3
x3
26
cf [Tom Mitchell]
yi(x)
y1 (x)
y(x)
1 neurone de sortie
. . .
Biais
23
A. Cornujols
24
A. Cornujols
27
Erreur quadratique
!
w2
Exemple :
[0,1]
Exemple :
!s
{0,1}
. . .
js
"w
cellules s
couche
suivante
yi(x)
y1 (x)
k neurones sur la
couche cache
wd
. . .
! j = g' (aj )
wis
. . .
x2
! w x +w
j =1
yi(x)
21
Efficacit en apprentissage
ys(x)
j=1
A. Cornujols
ys (x) =
ys(x)
wd
. . .
xd
A. Cornujols
28
30
A. Cornujols
33
A. Cornujols
36
...)
A. Cornujols
31
Prdire certaines
proprits de molcules
(par exemple activit
biologique) partir de
descriptions :
- chimiques
- gomtriques
- lctriques
A. Cornujols
La base de donnes
Un chec : QSAR
29
[Le Cun et al., 1989, ...] (ATT Bell Labs : trs forte quipe)
A. Cornujols
A. Cornujols
32
A. Cornujols
34
La rgression
A. Cornujols
35
A. Cornujols
37
PMC : Analyse
A. Cornujols
38
A. Cornujols
39
A. Cornujols
42
Efficacit calculatoire
Heuristiques
A. Cornujols
40
A. Cornujols
41
$E
! wji (t + 1) = " #
+ % ! w ji (t)
$ w ji
(gradients variables)
Gain adaptatif
sinon
Gradients conjugus
Ide : Essayer de minimiser indpendamment sur chaque axe, en utilisant un
moment sur la direction de recherche
A. Cornujols
43
Problmes mthodologiques
!
Par lagage
Choix
la
structure
nombre
Dimensionnement automatique ?
!
de
couches,
des
cellules
44
A. Cornujols
Rgularisation et PMC
Nouveau risque empirique :
de
A. Cornujols
Remp ( ! ) =
1
m
Early stopping
Weight decay
Soft-weight sharing
+ # $[h(. , ! )]
Terme de pnalisation
45
A. Cornujols
46
Sources documentaires
Dreyfus et. al (2001) : Rseaux de neurones. Mthodologie et applications. Eyrolles, 2001.
Bishop C. (95) : Neural networks for pattern recognition. Clarendon Press - Oxford, 1995.
Hertz, Krogh & Palmer (91) : Introduction to the theory of neural computation. Addison
Wesley, 1991.
Thiria, Gascuel, Lechevallier & Canu (97) : Statistiques et mthodes neuronales. Dunod,
1997.
(a)
A. Cornujols
49
Liens troits avec les systmes dinfrence floue et les rseaux neuro-flous
Sortie
Cache
Cache
A. Cornujols
50
Paramtres rgler :
!
Nb de cellules caches
Mthodes
!
Entre
Contexte
Contexte
!
Sortie
Proprits
Entre
(d)
Association temporelle
Cache
Contexte
Cache
(c)
Reproduction de squence
Sortie
Reconnaissance de squence
(b)
Sortie
http://www.lps.ens.fr/~nadal~
E.g. poursuivre la squence quand une squence initiale a t fournie (ex: prvision de
consommation dlectricit)
!
A. Cornujols
Sites web
!
47
Tches
A. Cornujols
Ouvrages / articles
!i
Entre
48