réseaux de neurones formels - gipsa-lab.grenoble-inp.frchristian.jutten/mescours/neural... ·...
TRANSCRIPT
Réseaux de neurones - Master Sciences Cognitives - 2005
1
Réseaux de neurones formels
Christian JuttenLab. des Images et des Signaux
(LIS)UMR 5083 Centre National de la Recherche Scientifique,
Institut National Polytechnique de Grenoble,Université Joseph Fourier
Grenoble
Réseaux de neurones - Master Sciences Cognitives - 2005
2
Contenu
• I. Introduction • II. Quelques flashs de neurobiologie• III. Modèles mathématiques• IV. Coopération et compétition• V. Mémoires associatives linéaires• VI. Perceptrons multi-couches• VII. Modèles de Hopfield• VIII. Cartes auto-organisatrices de Kohonen• IX. Séparation de sources• X. Présentation du BE et des mini-projets
Réseaux de neurones - Master Sciences Cognitives - 2005
3
Chapitre 1
Introduction
Réseaux de neurones - Master Sciences Cognitives - 2005
4
Introduction: différences et similarités
Réseaux de neurones - Master Sciences Cognitives - 2005
5
Introduction: différences et similarités
WUN DE BA R RME UXRVEILLE
RVEILLEWUNDEBA RRMEUX
Réseaux de neurones - Master Sciences Cognitives - 2005
6
Introduction: différences et similarités
soundsound
Réseaux de neurones - Master Sciences Cognitives - 2005
7
Introduction: différences et similarités
Réseaux de neurones - Master Sciences Cognitives - 2005
8
Introduction: différences et similarités
Réseaux de neurones - Master Sciences Cognitives - 2005
9
Introduction
• Calcul neuromimétique• Pourquoi cette approche ? Pour quels objectifs ?
PerceptionRobotiqueApprentissage
Réseaux de neurones - Master Sciences Cognitives - 2005
10
Introduction
• Quelques mots de neurobiologie– Système nerveux humain
• 1012 neurones• 1000 à 10.000 synapses par neurone
– Des propriétés remarquables• Complexité• Variabilité et fiabilité• Parallélisme• Performances• Compacité• Plasticité
Réseaux de neurones - Master Sciences Cognitives - 2005
11
Introduction
• Un peu d’histoire… les pionniers– Modèle de McCulloch et Pitts (1943)
• automates booléens• connexions fixes
– Perceptron de Rosenblatt (1958)• modèle linéaire + seuil • connexions modifiables
– Adaline de Widrow (1960)• modèle linéaire• connexions modifiables
Réseaux de neurones - Master Sciences Cognitives - 2005
12
Introduction
• Encore un peu d’histoire … les années 1970– Neurodynamique : Amari (depuis 1967 au Japon)– Mémoires associatives de Kohonen (Finlande, 1970)– Modèle de membrane, RN électroniques : J. Hérault (depuis 1968,
France)– Coopération et compétition, Adaptive Resonance Theory :
Grossberg (1968, USA)– Extraction de traits pertinents, mémoire : Anderson (depuis 1972,
USA)
Réseaux de neurones - Master Sciences Cognitives - 2005
13
Introduction
• Et l’histoire continue… le boum des années 1980– Physique statistique et réseaux de neurones formels : mémoires
auto-associatives, optimisation combinatoire (Hopfield, 1982, USA)
– Réseaux multi-couches• Neocognitron : Fukushima (1980, Japon)• Multi Layer Perceptron et Backpropagation : Werbos 1974,
Parker 1982, Le Cun 1985, Rumelhart et McClelland 1986– Cartes auto-organisatrices de Kohonen (Finlande, 1982)– Implémentations matérielles, parallèles, circuits intégrés, optiques– Beaucoup d’applications sont développées, revues spécialisées et
conférences internationales, intérêt des industriels
Réseaux de neurones - Master Sciences Cognitives - 2005
14
Introduction
• Et … aujourd’hui– Outil reconnu : nombreux packages, boîte à outils dans Matlab– Machine learning, Support Vector Machine
Réseaux de neurones - Master Sciences Cognitives - 2005
15
Chapitre 2
Flashs de neurobiologie
Réseaux de neurones - Master Sciences Cognitives - 2005
16
Flashs de neurobiologie
• Les neurones : des processeurs élémentaires deformes variéesmais avec des similarités :
– beaucoup d’entrées– une unité de traitement– une sortie
Réseaux de neurones - Master Sciences Cognitives - 2005
17
Flashs de neurobiologie
• Connexions entre neurones, jusqu’à 10.000 !
Réseaux de neurones - Master Sciences Cognitives - 2005
18
Flashs de neurobiologie
• Potentiel d’action : signal simple/métabolisme complexe
Ions Na+ K+ Cl- Ca++ Mg++ AutresIntérieur 50 400 60 0,4 10 250Extérieur 440 20 560 10 54 -
1ms
t- 60 mV
60 mV
10 mV dépolarisation
hyperpolarisation
Réseaux de neurones - Master Sciences Cognitives - 2005
19
Flashs de neurobiologie
• Du potentiel synaptique … au potentiel d’action : la sommation spatio-temporelle– Synapses proches : peu d’atténuation et de retard– Synapses lointaines : atténuation forte et retard important
t
t
somme
t
t
sommeaxone
dendrites
synapse lointaine synapse proche
Réseaux de neurones - Master Sciences Cognitives - 2005
20
Flashs de neurobiologie
• Codage de l’information – sorties analogiques ou binaires– information liée à l’amplitude, les fréquences instantanée ou
moyenne
• Exemple : codage du mouvement
2 s
Réseaux de neurones - Master Sciences Cognitives - 2005
21
Flashs de neurobiologie
• Au repos– fréquence des potentiels d’action non nulle, – les variations sont souvent plus significatives
• Fréquence vs somme des entrées– seuil– partie plus ou moins linéaire– saturation
f
Σ e
Réseaux de neurones - Master Sciences Cognitives - 2005
22
Flashs de neurobiologie
• Plasticité synaptique dans le cortex cérébelleux (Anderson, Eccles, 1965)
Réseaux de neurones - Master Sciences Cognitives - 2005
23
Flashs de neurobiologie
• Plasticité synaptique dans le cortex visuel humain (Conel, 1959)
Réseaux de neurones - Master Sciences Cognitives - 2005
24
Flashs de neurobiologie
• Règle de Hebb sur la plasticité synaptique• Tirée de l’ouvrage de D. O. Hebb, The organization of the
behaviour, Wiley, New-York, 1949When an axon of cell A is near enough to excite a cell B and repeatedly or persistently takes part in firing it, some growth process or metabolic changes take place in one or both cells such that A’s efficiency as one of the cells firing B, is increased (page 62)
• Une co-activité entraîne un renforcement synaptique
A B
sens de l'information
Réseaux de neurones - Master Sciences Cognitives - 2005
25
Flashs de neurobiologie
• Plasticité synaptique : – croissance ou régression des connexions, – modifications à court terme ou à long terme, si stimulations– oubli en absence de stimulation
• De façon qualitative
Pré-syn. Post-syn. Hebb R-SOui Oui ++ ++Non Oui ? --Oui Non ? -Non Non ? -
Réseaux de neurones - Master Sciences Cognitives - 2005
26
Flashs de neurobiologie
• Organisation en réseaux– environ 1012 neurones,– 1000 à 10.000 synapses par neurones,– plusieurs types de neurones,– une organisation en couches,– une organisation en colonne,– des connexions excitatricesou inhibitrices,– des architectures particulières.
Réseaux de neurones - Master Sciences Cognitives - 2005
27
Flashs de neurobiologie
• Organisation en réseaux : l’exemple du système olfactif• Des structures typiques
– convergence/divergence– inhibitions de divers types– contrôle central
Réseaux de neurones - Master Sciences Cognitives - 2005
28
Flashs de neurobiologie
• Organisation en réseaux : l’exemple du cortex visuel• Des structures typiques :
– le cortex : une structure en couches,– les micro-colonnes,– les feuillets de dominance oculaire et d’orientation
Réseaux de neurones - Master Sciences Cognitives - 2005
29
Flashs de neurobiologie
• Le cerveau des vertébrés– complexe
• nombre d’unités et de connexions,• grande variabilité des composants neurones et synapses,• un métabolisme très complexe,• un système multi-échelle : moléculaire, cellulaire, réseau,• des architectures variées,
– fiable et performant• durée de vie importante,• la perte de composants altère peu le fonctionnement,• plasticité synaptique et apprentissage.
Réseaux de neurones - Master Sciences Cognitives - 2005
30
Chapitre 3
Modèles mathématiques
Réseaux de neurones - Master Sciences Cognitives - 2005
31
Modèles mathématiques
• Modèles du neurone– modèle non linéaire – équation entrée/sortie
• Modèles de réseaux– structure en couches– divers types de connexions
• Modèles de plasticité ou d’apprentissage
Réseaux de neurones - Master Sciences Cognitives - 2005
32
Modèles mathématiques
• Les bases des modèles du neurone
somadendrites axone
arborisationterminale
xj
wij
neurone i
yi
x
x
x
x1
x2
xn
wi1
wi2
win+
yipi
Réseaux de neurones - Master Sciences Cognitives - 2005
33
Modèles mathématiques
• Modèle de neurone 1
• Quelques exemples pour N(.)
+
x1
x2
xn
pi yiN(.)
wi1
wi2
win
)(1
2211
ii
n
jijj
inniii
pNy
wx
wxwxwxp
=
=
+++=
∑=
L
p
)( pN
p
)( pN
p
)( pN
p
)( pN
Réseaux de neurones - Master Sciences Cognitives - 2005
34
Modèles mathématiques
• Modèle de neurone 1– avec N(.) = signe(.)– cas de 2 entrées
• La frontière entre les régions+1 et -1 est définie par :
)()( 2211
2211
iiiiii
iii
wxwxsignepsigneywxwxp
θθ −+=−=+=
+x1
x2
pi yiN(.)wi1
wi2
22
112
2211 0
i
i
i
i
iii
wwwxx
wxwxθθ
+−=
=−+
plutôt ressemblant
plutôt différent
Réseaux de neurones - Master Sciences Cognitives - 2005
35
Modèles mathématiques
• Modèle de neurone 2
)(1
2211
ii
p
n
j
pijj
pinn
pi
pii
pKy
wx
wxwxwxp
=
−=−=
−++−+−=
∑=
wx
L
p
)( pN
p
)( pNθ
+
x1
x2
xn
pi yiK(.)
wi1
wi2
win
Réseaux de neurones - Master Sciences Cognitives - 2005
36
Modèles mathématiques
• Modèle de neurone 2– distance euclidienne, 2 entrées– fonction noyau :
• La frontière entre les régions :
[ ])(
2/1222
211
ii
iii
pKywxwxp
=
−+−=
+x1
x2
pi yiK(.)wi1
wi2
<
=sinon 0 si 1
)(θp
pK
[ ]θ
θ
<−+−
<−+−=2
222
11
2/1222
211
ou ii
iii
wxwx
wxwxpplutôt
ressemblant
plutôt différent
Réseaux de neurones - Master Sciences Cognitives - 2005
37
Modèles mathématiques
• Modèles de réseaux : quelques exemples
Connexions directes Connexions récurrentes
Connexions totales Connexions locales
Réseaux de neurones - Master Sciences Cognitives - 2005
38
Modèles mathématiques
• Modèles de réseaux : notations
ijw Neurone i
Neurone j
Connexion de j vers i
Réseaux de neurones - Master Sciences Cognitives - 2005
39
Modèles mathématiques
• Apprentissage– par des exemples, souvent bruités– AVEC superviseur : (données bruitées, réponse désirée bruitée)– SANS superviseur : (données bruitées)
• Règle de calcul
• Objectifs– résumer les exemples avec un petit nombre de paramètres– bonne réponse même pour des exemples non appris
( )( )diijijij yyxwfw ,,,=∆
Réseaux de neurones - Master Sciences Cognitives - 2005
40
Modèles mathématiques
• Apprentissage– 7 points de la forme : (xi, f(xi) + bi)– droite : 2 paramètres– parabole : 3 paramètres– polynome de degré 6 7 paramètres = apprentissage par CŒUR– apprentissage par CŒUR = mauvaise GENERALISATION
+
+ + +++
+
Réseaux de neurones - Master Sciences Cognitives - 2005
41
Modèles mathématiques
• Règles d’apprentissage : quelques exemples• Hebb
• Règles avec oubli
imoyjij
ijijij
ijij
yxxw
yxw
yxw
)( −=∆
=∆
=∆
µ
µ
µ
[ ] )()(
)()(
ijijij
ijijij
jjijij
ygxfww
ygxfww
yxww
µγ
µγ
µγ
+−=∆
+−=∆
+−=∆
Neurone j
Neurone i
Connexion de j vers i
ijw
Réseaux de neurones - Master Sciences Cognitives - 2005
42
Modèles mathématiques
• Résumé sur les modèles de réseaux neuronaux– Un réseau de n neurones a au plus n2 interconnexions– La sortie de chaque neurone requiert n sommes de produits et une
opération non linéaire
– Pour le réseau tout entier, on a donc de l’ordre de n2 sommes de produit et n opération non linéaires
– L’apprentissage requiert la modification des n2 interconnexions, soit n2 équations
– La complexité d’un réseau est de O(n2) opérations et mémoire.
)(ou 1
pi
n
jjiji KyxwNy wx −=
= ∑
=
( )( )diijijij yyxwfw ,,,=∆
Réseaux de neurones - Master Sciences Cognitives - 2005
43
Modèles mathématiques
• Réseaux de neurones formels vs vrais réseaux de neurones– Neurones
• Modèles de neurones très simples• Faible variabilité, pas de sommation spatio-temporelle, • Modèles à “beaucoup” d’entrées/une sortie
– Réseaux• Nombre de cellules faibles /réalité• Structure régulière• Modèle local
– Apprentissage• Règle simpliste, avec ou sans superviseur• Autres types d’aprentissage (pénalité-récompense)