Perceptrons
Um Perceptron é um Neurônio Artificial
É a rede neural mais simples possível
As Redes Neurais são os blocos de construção da Inteligência Artificial .
Frank Rosenblatt
Frank Rosenblatt (1928 – 1971) foi um psicólogo americano notável no campo da Inteligência Artificial.
Em 1957 ele começou algo realmente grande.
Os cientistas descobriram que as células cerebrais ( neurônios ) recebem informações de nossos sentidos por sinais elétricos.
Os Neurônios, então, novamente usam sinais elétricos para armazenar informações e tomar decisões com base na entrada anterior.
Frank teve a ideia de que Neurônios Artificiais poderiam simular princípios cerebrais, com a capacidade de aprender e tomar decisões.
A partir desses pensamentos, ele "inventou" o Perceptron .
O Perceptron foi testado em um computador IBM 704 no Cornell Aeronautical Laboratory em 1957.
O Perceptron
O Perceptron original foi projetado para receber várias entradas binárias e produzir uma saída binária (0 ou 1).
A ideia era usar pesos diferentes para representar a importância de cada entrada e que a soma dos valores fosse maior que um valor limite antes de tomar uma decisão como verdadeiro ou falso (0 ou 1).
Exemplo de Perceptron
Imagine um perceptron (em seu cérebro).
O perceptron tenta decidir se você deve ir a um concerto.
Is the artist good? Is the weather good?
What weights should these facts have?
| Criteria | Input | Weight |
|---|---|---|
| Artists is Good | x1 = 0 or 1 | w1 = 0.7 |
| Weather is Good | x2 = 0 or 1 | w2 = 0.6 |
| Friend Will Come | x3 = 0 or 1 | w3 = 0.5 |
| Food is Served | x4 = 0 or 1 | w4 = 0.3 |
| Alcohol is Served | x5 = 0 or 1 | w5 = 0.4 |
The Perceptron Algorithm
Frank Rosenblatt suggested this algorithm:
- Set a threshold value
- Multiply all inputs with its weights
- Sum all the results
- Activate the output
1. Set a threshold value:
- Threshold = 1.5
2. Multiply all inputs with its weights:
- x1 * w1 = 1 * 0.7 = 0.7
- x2 * w2 = 0 * 0.6 = 0
- x3 * w3 = 1 * 0.5 = 0.5
- x4 * w4 = 0 * 0.3 = 0
- x5 * w5 = 1 * 0.4 = 0.4
3. Sum all the results:
- 0.7 + 0 + 0.5 + 0 + 0.4 = 1.6 (The Weighted Sum)
4. Activate the Output:
- Return true if the sum > 1.5 ("Yes I will go to the Concert")
If the treshold value is 1.5 for you, it might be different for someone else.
Example
const treshold = 1.5;
const inputs = [1, 0, 1, 0, 1];
const weights = [0.7, 0.6, 0.5, 0.3, 0.4];
let sum = 0;
for (let i = 0; i < inputs.length; i++) {
sum += inputs[i] * weights[i];
}
const activate = (sum > 1.5);
Perceptron Terminology
- Perceptron Inputs
- Node values
- Node Weights
- Activation Function
Perceptron Inputs
Perceptron inputs are called nodes.
The nodes have both a value and a weight.
Node Values
In the example above the node values are: 1, 0, 1, 0, 1
Node Weights
Weights shows the strength of each node.
In the example above the node weights are: 0.7, 0.6, 0.5, 0.3, 0.4
The Activation Function
The activation functions maps the result (the weighted sum) into a required value like 0 or 1.
The binary output (0 or 1) can be interpreted as (no or yes) or (false or true).
In the example above, the activation function is simple: (sum > 1.5)
In Neuroscience, there is a debate if single-neuron encoding or distributed encoding is most relevant for understanding how the brain functions.
It is obvious that a decision like the one above, is not made by one neuron alone.
At least there must be other neurons deciding if the artist is good, if the weather is good...
Neural Networks
The Perceptron defines the first step into Neural Networks.
The perceptron is a Single-Layer Neural Network.
The Neural Network is a Multi-Layer Perceptron.