feedforward neural network

feedforward neural network (tsz. feedforward neural networks)

1. (informatika) A Feedforward Neural Network (FFNN, magyarul: előrecsatolt mesterséges neurális hálózat) a mesterséges neurális hálózatok legegyszerűbb és legalapvetőbb típusa. A „feedforward” elnevezés arra utal, hogy az adatok csak egy irányba áramlanak: a bemeneti rétegből a kimeneti réteg felé, visszacsatolás (recurrent kapcsolat) nélkül.

Ez a hálózat képes:

• nemlineáris minták felismerésére,
• regressziós és osztályozási feladatok megoldására,
• általánosításon keresztül új példák értelmezésére.

A FFNN háromféle rétegből áll:

1. Bemeneti réteg (input layer) Az adatok belépési pontja a hálózatba. Minden jellemzőhöz egy bemeneti neuron tartozik.
2. Rejtett réteg(ek) (hidden layer(s)) Az adatok transzformációját, mintakivonást és feldolgozást végzik. Lehet egy vagy több is (ha több → deep neural network).
3. Kimeneti réteg (output layer) A predikció vagy válasz eredménye. Pl. kategória, valószínűség, szám.

1. Bemenet: A bemeneti adatok (pl. számok, képpontok) eljutnak az első rétegbe.

2. Lineáris kombináció: Minden neuron kiszámít egy súlyozott összeget:

   $${\displaystyle z=w_{1}x_{1}+w_{2}x_{2}+...+w_{n}x_{n}+b}$$

3. Aktivációs függvény: A lineáris kimenetet nemlineáris módon továbbítja:

   $${\displaystyle a=\sigma (z)}$$

   Ilyen függvények: ReLU, sigmoid, tanh.

4. Továbbítás: Az aktivált értékeket a következő réteg neuronjai megkapják bemenetként.

5. Kimenet: A végső réteg adja meg az előrejelzést (pl. osztálycímke, valószínűségvektor).

Függvény	Képlet	Jellemző
ReLU	${\textstyle \max(0,z)}$	Egyszerű, gyors, nem szaturál
Sigmoid	${\textstyle {\frac {1}{1+e^{-z}}}}$	0 és 1 közé skáláz
Tanh	${\textstyle \tanh(z)}$	-1 és 1 közé skáláz
Softmax	exp-alapú normalizálás	Többosztályos kimenetekhez

A FFNN tanítása felügyelt módon történik:

1. Előreterjesztés (forward pass): kiszámolja a háló kimenetét.
2. Hibaszámítás: összehasonlítja az eredeti (cél) kimenettel.
3. Hibaterjesztés (backpropagation): kiszámítja a súlyokhoz tartozó gradiens értékeket.
4. Súlyfrissítés: a súlyokat úgy módosítja, hogy a hiba csökkenjen (gradienscsökkenéssel).

Ezt egy rejtett réteggel rendelkező FFNN már meg tudja tanulni, ellentétben a lineáris modellekkel (pl. perceptron).

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(8, input_dim=4, activation='relu'))  # rejtett réteg
model.add(Dense(1, activation='sigmoid'))            # kimenet (pl. bináris)

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=)
model.fit(X_train, y_train, epochs=100, batch_size=10)

• Egyszerű és jól érthető
• Nemlineáris függvényeket is megtanul
• Széleskörűen használható osztályozásra és regresszióra
• Jól skálázható több rétegre (mély tanulás alapja)

• Nem alkalmas idősoros vagy szekvenciális adatokra (ez RNN dolga)
• Korlátozott tanulási képesség kevés neuron/réteg esetén
• Hajlamos túlilleszkedésre kis adathalmazon
• Nem képes figyelni a kontextusra – minden bemenetet egyenként értékel

• feedforward neural network - Szótár.net (en-hu)
• feedforward neural network - Sztaki (en-hu)
• feedforward neural network - Merriam–Webster
• feedforward neural network - Cambridge
• feedforward neural network - WordNet
• feedforward neural network - Яндекс (en-ru)
• feedforward neural network - Google (en-hu)
• feedforward neural network - Wikidata
• feedforward neural network - Wikipédia (angol)