Neural Network - Perceptron

Presentation on theme: "Neural Network - Perceptron"— Presentation transcript:

1 Neural Network - Perceptron
숭실대 전기공학과 Control Information Process Lab 김경진

2 Variant of Network Variety of Neural Network Recurrent Layer
Feedforward Network – Perceptron Recurrent Network - Hopfield Network 입력과 출력을 동일하게 하는 Network Optimization Problem에 이용 Competitive Network - Hamming Network Feedforward + Recurrent Network 입력에 대하여 Hamming distance를 최소화 하는 Network Target 불필요함 Recurrent Layer Layer with Feedback 초기조건 필요

3 Hopfield Network – Example
W = [w11 w12 w13 w21 w22 w23 w31 w32 w33] b = [b1 b2 b3]T P1 = [ ]T(banana) P2 = [ ]T(pineapple) T1 = [ ]T, T2 = [ ]T

4 Hamming Network – Example
W1 = [P1T P2T]T, b = [R R]T, (R = 입력의 개수) W2 = [1 -ε;- ε 1], 0< ε<1/s-1 (s = Recurrent Layer의 Neuron 개수)

5 Single Neuron Perceptron - definition
The Perceptron is a binary classifier. Single Neuron Perceptron

6 Perceptron - Algorithm
Learning Rule – Perceptron e = t – o (t = target, o = output, e = error) W = W + eX = W + (t – o)X b = b + e = b + (t – o) 초기값에 따라 Weight, Bias 값이 달라짐.

7 Single Neuron Perceptron – example1(AND)
] O = [ ] Simulation Result1 Initial Weight : [0 0] Initial Bias : 0 Iteration Number : 3 Weight : [2 2] Bias = -2 Simulation Result2 Initial Weight : [ ] Initial Bias : -10 Iteration Number : 4 Weight : [ ] Bias = -4

8 ADALINE Network – Algorithm
ADAptive LInear NEuron Perceptron과의 차이 Transfer Function : Hard Limit vs Linear Algorithm(Least Mean Square) W(k+1) = W(k) + 2αe(k)pT(k) b(k+1) = b(k) + 2αe(k)

9 ADALINE Network – example1(AND)
] O = [ ] Simulation Result1 Initial Weight : [0 0] Initial Bias : 0 α : 0.5 Iteration Number : 2 Weight : [ ] Bias = -0.5 Simulation Result2 Initial Weight : [ ] Initial Bias : -10 α : 0.5 Iteration Number : 2 Weight : [ ] Bias = -0.5

10 ADALINE Network – example1(AND)
Simulation 시 주의사항 적정한 α값 찾기 α가 크면 발산 α가 작으면 반복 횟수 증가 error가 더 이상 줄어들지 않으면 멈추기 ADALINE은 선형시스템 Simulation Result4 Initial Weight : [0 0] Initial Bias : 0 α : 0.1 Iteration Number : 162 Weight : [ ] Bias = -0.5 Simulation Result3 Initial Weight : [0 0] Initial Bias : 0 α : 1.2 Weight : [ ]*e153 Bias = 5.2e153

11 ADALINE Network – example2(XOR)
Linearly Separable 직선으로 구분 가능한 것 AND Problem Not Linearly Separable 직선으로 구분 불가능 한 것 XOR Problem ADALINE Network로는 분류 불가능 해결 방법1 - Multi Neuron 사용 해결방법2 - Multi Layer 사용

12 ADALINE Network – example2(XOR)
해결방법1. Multi Neuron 사용 Target의 차원을 늘린다. Ex) 1, 0 -> [0;0], [0;1], [1;0], [1;1] Simulation 결과 Initial Weight : [1 2;-1 -5] Initial Bias : [3;-2], α : 0.5 Iteration Number : 2 W = [0 0;0 0], b = [0;0] 한계점 - ① 차원 늘리기 ② 선형적 분류 ∴ 해결방법2. Multi Layer Perceptron 사용

13 Multi-Layer Perceptron - Characteristic
MLP의 장단점 Not Linear Separable 문제 해결, 함수 근사화 복잡한 구조 및 알고리즘, 국소적 최소값 수렴

14 Multi-Layer Perceptron – Algorithm1
BackPropagation Forward Propagation Backward Propagation (Sensitivity) 3. Weight Bias Update

15 Multi-Layer Perceptron – Variable
Weight, Bias Rand 함수로 임의의 값 선정 Hidden Layer Neuron 은닉층 뉴런의 개수(HDNEU) HDNEU가 많을수록 복잡한 문제 해결 가능 Alpha Steepest Descent Method에서와 같은 개념 Stop Criteria 수치적인 Algorithm이므로 학습을 중단할 기준이 필요함 Mean Square Error로 판단함

16 Multi-Layer Perceptron – example2(XOR)
HDNEU = 20 α = 0.1 Stop Criteria = 0.005 Iteration Number : 480 MSE : 4.85e-3 Elapsed Time : [sec]

17 Multi-Layer Perceptron – example3(sine Function)
BP Algorithm HDNEU= 20 α = 0.2 Stop Criteria = 0.005 Iteration Number : 4710 MSE : Elapsed Time : 1328[sec]

18 Multi-Layer Perceptron – Algorithm2
MOmentum BackPropagation Backpropagation Algorithm + Low Pass Filter Weight, Bias Update Variable Gamma(γ) – 전달함수에서의 pole

19 Multi-Layer Perceptron – example3(sine Function)
MOBP Algorithm HDNEU = 20 α = 1 γ = 0.9 Stop Criteria = 0.005 Iteration Number : 625 MSE : 0.005 Elapsed Time : 150[sec]

20 Multi-Layer Perceptron – Algorithm3
Conjugate Gradient BackPropagation 최적화 이론의 Conjugate Gradient Method 인용 복잡한 알고리즘이지만 수렴속도는 빠름 Variable α, γ 불필요 HDNEU, Stop Criteria Algorithm Step1. Search Direction( ) Step2. Line Search( ) Step3. Next Search Direction( ) Step4. if Not Converged, Continue Step2

21 Multi-Layer Perceptron – example3(sine Function)
CGBP Algorithm HDNEU = 20 Stop Criteria = 0.005 Iteration Number : 69 MSE : Elapsed Time : 22[sec]

22 Multi-Layer Perceptron – example3(sine Function)
HDNEU = 20 Stop Criteria = Iteration Number : 125 MSE : Elapsed Time : 37[sec]

23 Multi-Layer Perceptron – Local Minima
Global Minima : 전역적 최소값 LMS Algorithm은 언제나 Global Minima 보장 Local Minima : 국소적 최소값 BP Algorithm은 Global Minima 보장 못 함 여러 번의 시뮬레이션이 필요함 HDNEU = 10 Stop Criteria = 0.001 Iteration Number : 3000 MSE : Elapsed Time : 900[sec]

24 Multi-Layer Perceptron – Over Parameterization
신경회로망에서 은닉층 내의 뉴런의 개수가 필요이상으로 많을 때, 학습 데이터는 제대로 학습 시키지만 그 외의 데이터에서는 오차가 발생하는 것 Generalization Performance(일반화 성능) 학습 데이터가 아닌 다른 입력을 통해 신경회로망의 성능을 시험하는 것

25 Multi-Layer Perceptron – Scaling
모든 입력의 attribute를 0~1사이의 값으로 만드는 것 학습 데이터로 Scaling할 때, 최대·최소값을 저장하고 그 값을 통해 검증 데이터를 Scaling 한다. Nearest Neighbor에서의 normalize 개념과 유사 선택사항 – Target 값의 Scaling 유무 Target 값이 백단위 이상이라면 Scaling 필요 Ex) 전력수요 예측 [어제 전력수요;요일;최고온도;최저온도] – 하루치 데이터 Origin Data [ ] Modification Data [ ]

26 Multi-Layer Perceptron – Scaling
전력수요 예측 Simulation HDNEU = 20, Stop Criteria = 0.01, Max Iteration Number = 1000 Case1. Not Scaling Iteration Number : 1000, Train Set MSE : 11,124,663, Test Set MSE : 20,425,686 Case2. Scaling Case3. Target Scaling Iteration Number : 6, Train Set MSE : , Test Set MSE :

27 Multi-Layer Perceptron – Overfitting
Stop Criteria를 지나치게 작게 선정하여 학습 데이터의 에러는 작아지도록 Weight, Bias를 학습시키나 검증 데이터의 에러는 오히려 커져서 일반화 성능이 떨어지는 것을 말한다. ☆ Issue 1. Stop Criteria를 얼마로 선정해야 하는가? 2. HDNEU는 몇 개가 적당한가? Stop Criteria : 0.01 / 0.001 Test Set MSE : /

28 Reference Machine Learning, Tom Mitchell, McGraw Hill.
Introduction to Machine Learning, Ethem Alpaydin, MIT press. Neural Network Design, Martin T.Hagan, Howard B.Demuth, Mark Beale, PWS Publishing Company. Neural Networks and Learning Machine, Simon Haykin, Prentice Hall.