Академический Документы
Профессиональный Документы
Культура Документы
Rseaux rcurrents
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 2
Plan
Structure du rseau de Hopfield
Dynamique
Apprentissage
Application loptimisation
Machine de Boltzmann
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 3
Dcouverte
J. Hertz, A. Krogh et R.G. Palmer, Introduction
to the theory of Neural Computation, Addison-
Wesley, 1991.
Classique
Orient sciences pures (physique)
Auteurs: chercheurs en physique stat.
Cours dtudes suprieures
Approche thorique
R.J. Schalkoff, Artificial Neural Networks,
McGraw Hill, 1997
Approche matricielle
Cours dtudes suprieures
Beaucoup dexemples
Couvre la plupart des modles
L. Fausett, Fundamentals of Neural Networks,
Prentice Hall, 1994
Livre de rfrence pour les ditions
prcdentes du cours (avant 2004)
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 4
Dcouverte informatique
Matlab Student version
with Simulink
Learning Matlab 7
Learning Simulink 6
3 CDs pour installation
Windows
Linux
MacOS X
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 5
6.1 Architecture du rseau de
Hopfield
Article lorigine:
John Hopfield, 1982, Neural Networks and physical
systems with emergent collective computational
abilities
Principe de base:
Systme nerveux possde des tats stables
localement. Ces tats stables permettent
demmagasiner de linformation qui agit comme
attracteur.
Un tat est prsent au rseau, qui tend alors
vers un tat stable en minimisant son nergie
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 6
Inspiration: verres de spin
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 8
Modle de neurone
V
i
V
j
T
ij
T
ji
V
i
V
j
T
ij
T
ij
=T
ji
V
j
=1 si T
ij
V
i
i
> 0
V
j
= 1 si T
ij
V
i
i
< 0
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 9
Exemple
1 1
V
1
V
2
-2
-1
V
3
+1
+4
1
1
S
3
S
1
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 10
nergie d un rseau de Hopfield
E=
1
2
TijViVj
j
SiVi
i
SiVi
i
SiVi
i
|
\
|
.
AE=0
Net(k)
Soit V
k
lactivation dun neurone k quelconque :
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 15
Exemple pour montrer lquivalence
1 1
V
1
V
2
-2
-1
V
3
+1
+4
1
1
S
3
S
1
E= V1V3T13+V1V2T12+V2V3T23 | | S1V1+S3V3 | |
E=4+(2)+(1)+1+(1)
E = 7 E
i
= +7
E=
1
2
TijViVj
j
SiVi
i
Neurone V
1
1 -1
E
f
=+4+2111
= +3
E
f
=3E+changement accept
net
1
= S
1
2V
2
+ 4V
3
=12 4 = 5
V
1
= 1
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 16
Relation entre changement dtat et
minimisation de lnergie (2)
AE=AVk TikVi+Sk
i=k
|
\
|
.
AE=0
AE<0
AVkestpositif ssi Tik
i=k
Vi+Skest positif
AVkestnegatif ssi Tik
i=k
Vi+Skestnegatif
V
k
t ( )=V
k
t+1 ( )
V
k
t ( )=V
k
t+1 ( )
Si on a un changement dtat alors on est assur de diminuer E :
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 17
Algorithme de relaxation
V
j
tous
visits ?
Tirage alatoire dune squence de visite des neurones
Slection du prochain neurone de la squence
Vk=1si TikVi+Sk
i
>0
P stable ?
Non
Non
Oui
Oui
FIN
DPART
Vk=1si TikVi+Sk
i
<0
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 18
7
5 4 3
1 2
+1
-1
6
Exemple de relaxation
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 19
Les tats stables du rseau
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 20
6.3 Apprentissage
tailler la courbe dnergie
La rgle la plus simple: Hebb
Lapprentissage est ralis AVANT
dutiliser le rseau comme mmoire
associative pour retrouver la forme
emmagasine partir dinformation
partielle ou bruite
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 21
Exercice
Example 3.22 (Fausett)
a) Stocker le vecteur (1,1,1,-1) par apprentissage hebbien
b) Prsenter (-1,-1,1,-1) lors de la phase de relaxation
c) Dterminer le nombre correct ditrations
d) Calculer la mise jour de la fonction dnergie pour chaque
mise jour de lactivation des neurones
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 22
6.4 Optimisation
Une fonction de cot remplace la
fonction dnergie
Loptimisation consiste minimiser la
fonction de cot
La fonction de sortie utilise est la
fonction sigmode (au lieu de la
fonction signe ou chelon)
tanh
net
2
|
\
|
.
| ou
1
1+e
net
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 23
Exemple: Voyageur de commerce
Un vendeur doit tablir un itinraire de visite
de 5 villes. Il doit partir de Boston et revenir
Boston la fin de son itinraire.
Chaque ville est visite une et une seule fois
Litinraire doit tre le plus court possible afin de
minimiser les frais dessence
La principale difficult rencontre avec ce type
de problme est lexplosion combinatoire des
solutions valuer.
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 24
Itinraires possibles :
5 villes = 12
10 villes = 181440
100 villes = 4.67 *10
155
# parcours =
n!
2n
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 25
Rseau de Hopfield
Lignes villes
Colonnes squence de
visite
Poids contraintes du
problme rsoudre
1 ville visite 1 seule fois
1 tape 1 seule ville
Distance entre les villes
Activation du rseau
minimisation du cot
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 26
Fonction de cot ( minimiser) : 4 contraintes
C1: Favoriser les tats avec chaque cit visite
une seule fois 1 neurone activ par ligne
C2: Favoriser les tats avec une seule valeur de
position (par exemple, viter que 2 villes
soient visites ltape 3) 1 neurone activ par
colonne
C3: Favoriser les tats qui incluent les n villes
C4: Favoriser les tats avec les distances totales
les plus courtes
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 27
Fonction de cot C
CE=
A
2
Vxi
j=i
Vxj+
B
2
Vxi
y=x
Vyi+
C
2
Vxin
i
|
\
|
.
2
+
D
2
dxyVxi Vy,i+1+Vy,i1 ( )
i
y=x
V
xi
: neurone correspondant la ville x ltape i
d
xy
: distance entre les villes x et y
A, B, C, D : facteurs de pondration pour les contraintes
C
1
C
2
C
3
C
4
GPA-779 Application des rseaux de neurones et des systmes experts Cours #7 - 28
Fonction de cot C
CE=
A
2
Vxi
j=i
Vxj+
B
2
Vxi
y=x
Vyi+
C
2
Vxin
i
|
\
|
.
2
+
D
2
dxyVxi Vy,i+1+Vy,i1 ( )
i
y=x
Vxj+
B
2
Vxi
y=x
Vyi+
C
2
Vxin
i
|
\
|
.
2
+
D
2
dxyVxi Vy,i+1+Vy,i1 ( )
i
y=x
Vxj+
B
2
Vxi
y=x
Vyi+
C
2
Vxin
i
|
\
|
.
2
+
D
2
dxyVxi Vy,i+1+Vy,i1 ( )
i
y=x
Vxj+
B
2
Vxi
y=x
Vyi+
C
2
Vxin
i
|
\
|
.
2
+
D
2
dxyVxi Vy,i+1+Vy,i1 ( )
i
y=x