یک شبکه عصبی پیشخور ( به انگلیسی: Feedforward Neural Network ) یک شبکه عصبی مصنوعی است، که در آن اتصال میان واحدهای تشکیل دهنده آن یک چرخه را تشکیل نمی دهند. در واقع این شبکه متفاوت از شبکه های عصبی بازگشتی می باشد.
شبکه عصبی پیشخور اولین و ساده ترین نوع شبکه عصبی مصنوعی می باشد. در این شبکه اطلاعات تنها از یک مسیر حرکت می کند که جهت آن رو به جلو می باشد. در واقع اطلاعات باشروع از گره ( نورون ) های ورودی و گذر از لایه های پنهان ( درصورت وجود ) به سمت گره های خروجی می روند. همان طور که گفته شد در این شبکه حلقه یا دوری وجود ندارد.
در سال ۱۹۴۳ وارن مک کلاچ و والتر پیتز اولین نورون مصنوعی را طراحی کردند. خصوصیت اصلی مدل نورون طراحی شده این بود که مجموع سیگنال های ورودی وزن دار شده را با یک مقدار آستانه مقایسه می کرد و به این ترتیب در مورد خروجی تصمیم گیری می نمود. این نورون در صورتی که مجموع وزن دار شده سیگنال ها، کمتر از آستانه بود، خروجی صفر و در غیر اینصورت مقدار ۱ را به عنوان خروجی تولید می کرد. آن ها قصد داشتند، نشان دهند، یک نورون با چنین خصوصیاتی قادر به محاسبه هر تابع ریاضی یا منطقی می باشد. در اواخر دهه ۱۹۵۰ میلادی، فرانک روزنبلات و چندین محقق دیگر، یک کلاس از شبکه های عصبی تحت عنوان شبکه های عصبی پرسپترون معرفی کردند. نورون ها در این شبکه مشابه نورون های طراحی شده توسط مک کلاچ و پیتز بودند. روزنبلات ثابت کرد که قاعده یادگیری طراحی شده توسط او در آموزش شبکه های پرسپترون همواره به وزن های صحیحی همگرا می شود. به این ترتیب این شبکه ها در صورت وجود پاسخ، حتماً مسئله را حل می کردند. روند یادگیری ساده و خودکار بود، همچنین شبکه های پرسپترون حتی با شروع از مقادیر تصادفی وزن ها و بایاس ها قادر به یادگیری و حل مسئله می باشند. شایان توجه است که شبکه های پرسپترون دارای محدودیت هایی نیز می باشند. امروزه شبکه های پرسپترون دارای اهمیت ویژه ای بوده و یک راه حل سریع و مطمئن برای حل مسائل طبقه بندی شده می باشند.
در مباحث مربوط به شبکه های عصبی، قواعد یادگیری، رویه ای برای اصلاح وزن ها و بایاس ها تعریف می کنیم. قاعده یادگیری در راستای آموزش شبکه برای انجام کار خاصی مورد استفاده قرار می گیرد. قواعد یادگیری به سه بخش عمده تقسیم بندی می شوند:قاعده یادگیری با نظارت، قاعده یادگیری بی نظارت و قاعده یادگیری تقویتی. در اینجا توضیح مختصری در مورد نحوه عملکرد این قواعد می دهیم. در "'قاعده یادگیری با نظارت"' از مجموعه ای از نمونه های آموزشی استفاده می کنیم که شبکه را آموزش می دهند. زوج های مرتب زیر را در نظر بگیرید:
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفشبکه عصبی پیشخور اولین و ساده ترین نوع شبکه عصبی مصنوعی می باشد. در این شبکه اطلاعات تنها از یک مسیر حرکت می کند که جهت آن رو به جلو می باشد. در واقع اطلاعات باشروع از گره ( نورون ) های ورودی و گذر از لایه های پنهان ( درصورت وجود ) به سمت گره های خروجی می روند. همان طور که گفته شد در این شبکه حلقه یا دوری وجود ندارد.
در سال ۱۹۴۳ وارن مک کلاچ و والتر پیتز اولین نورون مصنوعی را طراحی کردند. خصوصیت اصلی مدل نورون طراحی شده این بود که مجموع سیگنال های ورودی وزن دار شده را با یک مقدار آستانه مقایسه می کرد و به این ترتیب در مورد خروجی تصمیم گیری می نمود. این نورون در صورتی که مجموع وزن دار شده سیگنال ها، کمتر از آستانه بود، خروجی صفر و در غیر اینصورت مقدار ۱ را به عنوان خروجی تولید می کرد. آن ها قصد داشتند، نشان دهند، یک نورون با چنین خصوصیاتی قادر به محاسبه هر تابع ریاضی یا منطقی می باشد. در اواخر دهه ۱۹۵۰ میلادی، فرانک روزنبلات و چندین محقق دیگر، یک کلاس از شبکه های عصبی تحت عنوان شبکه های عصبی پرسپترون معرفی کردند. نورون ها در این شبکه مشابه نورون های طراحی شده توسط مک کلاچ و پیتز بودند. روزنبلات ثابت کرد که قاعده یادگیری طراحی شده توسط او در آموزش شبکه های پرسپترون همواره به وزن های صحیحی همگرا می شود. به این ترتیب این شبکه ها در صورت وجود پاسخ، حتماً مسئله را حل می کردند. روند یادگیری ساده و خودکار بود، همچنین شبکه های پرسپترون حتی با شروع از مقادیر تصادفی وزن ها و بایاس ها قادر به یادگیری و حل مسئله می باشند. شایان توجه است که شبکه های پرسپترون دارای محدودیت هایی نیز می باشند. امروزه شبکه های پرسپترون دارای اهمیت ویژه ای بوده و یک راه حل سریع و مطمئن برای حل مسائل طبقه بندی شده می باشند.
در مباحث مربوط به شبکه های عصبی، قواعد یادگیری، رویه ای برای اصلاح وزن ها و بایاس ها تعریف می کنیم. قاعده یادگیری در راستای آموزش شبکه برای انجام کار خاصی مورد استفاده قرار می گیرد. قواعد یادگیری به سه بخش عمده تقسیم بندی می شوند:قاعده یادگیری با نظارت، قاعده یادگیری بی نظارت و قاعده یادگیری تقویتی. در اینجا توضیح مختصری در مورد نحوه عملکرد این قواعد می دهیم. در "'قاعده یادگیری با نظارت"' از مجموعه ای از نمونه های آموزشی استفاده می کنیم که شبکه را آموزش می دهند. زوج های مرتب زیر را در نظر بگیرید:
wiki: شبکه عصبی پیشخور