Réseaux de neurones formels Christian Jutten Lab. 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 1 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 2 Chapitre 1 Introduction Réseaux de neurones - Master Sciences Cognitives - 2005 3 Introduction: différences et similarités Réseaux de neurones - Master Sciences Cognitives - 2005 4 Introduction: différences et similarités WUN E BA RVEILLE UX R D ME R ME R R D UX RVEILLE WUN E BA Réseaux de neurones - Master Sciences Cognitives - 2005 5 Introduction: différences et similarités sound sound Réseaux de neurones - Master Sciences Cognitives - 2005 6 Introduction: différences et similarités Réseaux de neurones - Master Sciences Cognitives - 2005 7 Introduction: différences et similarités Réseaux de neurones - Master Sciences Cognitives - 2005 8 Introduction • Calcul neuromimétique • Pourquoi cette approche ? Pour quels objectifs ? Perception Robotique Apprentissage Réseaux de neurones - Master Sciences Cognitives - 2005 9 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 10 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 11 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 12 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 13 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 14 Chapitre 2 Flashs de neurobiologie Réseaux de neurones - Master Sciences Cognitives - 2005 15 Flashs de neurobiologie • Les neurones : des processeurs élémentaires de formes variées mais avec des similarités : – beaucoup d’entrées – une unité de traitement – une sortie Réseaux de neurones - Master Sciences Cognitives - 2005 16 Flashs de neurobiologie • Connexions entre neurones, jusqu’à 10.000 ! Réseaux de neurones - Master Sciences Cognitives - 2005 17 Flashs de neurobiologie • Potentiel d’action : signal simple/métabolisme complexe Ions Intérieur Extérieur Na+ 50 440 K+ 400 20 Cl60 560 Ca++ 0,4 10 Mg++ 10 54 Autres 250 - 60 mV 10 mV dépolarisation t - 60 mV 1ms hyperpolarisation Réseaux de neurones - Master Sciences Cognitives - 2005 18 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 synapse lointaine synapse proche axone t somme t somme dendrites t Réseaux de neurones - Master Sciences Cognitives - 2005 t 19 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 2s Réseaux de neurones - Master Sciences Cognitives - 2005 20 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 Σe Réseaux de neurones - Master Sciences Cognitives - 2005 21 Flashs de neurobiologie • Plasticité synaptique dans le cortex cérébelleux (Anderson, Eccles, 1965) Réseaux de neurones - Master Sciences Cognitives - 2005 22 Flashs de neurobiologie • Plasticité synaptique dans le cortex visuel humain (Conel, 1959) Réseaux de neurones - Master Sciences Cognitives - 2005 23 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, 1949 When 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) A B sens de l'information • Une co-activité entraîne un renforcement synaptique Réseaux de neurones - Master Sciences Cognitives - 2005 24 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. Oui Non Oui Non Post-syn. Oui Oui Non Non Hebb ++ ? ? ? Réseaux de neurones - Master Sciences Cognitives - 2005 R-S ++ -- 25 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 excitatrices ou inhibitrices, – des architectures particulières. Réseaux de neurones - Master Sciences Cognitives - 2005 26 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 27 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 28 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 29 Chapitre 3 Modèles mathématiques Réseaux de neurones - Master Sciences Cognitives - 2005 30 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 31 Modèles mathématiques • Les bases des modèles du neurone neurone i axone dendrites arborisation terminale yi soma wij xj x1 x2 xn wi1 x wi2 + x win pi yi x Réseaux de neurones - Master Sciences Cognitives - 2005 32 Modèles mathématiques • Modèle de neurone 1 x1 x2 wi1 wi2 win pi = x1 wi1 + x2 wi 2 + L + xn win + pi yi N(.) n = ∑x j wij j =1 y i = N ( pi ) xn • Quelques exemples pour N(.) N ( p) N ( p) N ( p) p p Réseaux de neurones - Master Sciences Cognitives - 2005 N ( p) p p 33 Modèles mathématiques • Modèle de neurone 1 – avec N(.) = signe(.) – cas de 2 entrées x1 wi1 wi2 x2 + pi N(.) yi pi = x1 wi1 + x2 wi 2 yi = signe( pi − θ i ) = signe( x1 wi1 + x2 wi 2 − θ i ) • La frontière entre les régions +1 et -1 est définie par : x1 wi1 + x2 wi 2 − θ i = 0 x2 = − x1 wi1 θ i + wi 2 wi 2 plutôt ressemblant plutôt différent Réseaux de neurones - Master Sciences Cognitives - 2005 34 Modèles mathématiques • Modèle de neurone 2 x1 wi1 wi2 x2 win + pi K(.) N ( p) yi p θ xn N ( p) p pi = x1 − wi1 + x2 − wi 2 n = ∑x j j =1 − wij p p = x−w + L + xn − win p p p y i = K ( pi ) Réseaux de neurones - Master Sciences Cognitives - 2005 35 Modèles mathématiques • Modèle de neurone 2 x1 – distance euclidienne, 2 entrées – fonction noyau : 1 si p < θ x2 K ( p) = 0 sinon 2 2 1/ 2 pi = x1 − wi1 + x2 − wi 2 [ wi1 wi2 + pi K(.) yi ] y i = K ( pi ) • La frontière entre les régions : [ 2 pi = x1 − wi1 + x2 − wi 2 2 2 ] 2 1/ 2 ou x1 − wi1 + x2 − wi 2 < θ plutôt ressemblant <θ plutôt différent Réseaux de neurones - Master Sciences Cognitives - 2005 36 Modèles mathématiques • Modèles de réseaux : quelques exemples Connexions directes Connexions totales Connexions récurrentes Connexions locales Réseaux de neurones - Master Sciences Cognitives - 2005 37 Modèles mathématiques • Modèles de réseaux : notations wij Neurone i Neurone j Connexion de j vers i Réseaux de neurones - Master Sciences Cognitives - 2005 38 Modèles mathématiques • Apprentissage – par des exemples, souvent bruités – AVEC superviseur : (données bruitées, réponse désirée bruitée) – SANS superviseur : (données bruitées) • Règle de calcul ∆wij = f (wij , x j , yi , ( yi )d ) • Objectifs – résumer les exemples avec un petit nombre de paramètres – bonne réponse même pour des exemples non appris Réseaux de neurones - Master Sciences Cognitives - 2005 39 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 + 40 Modèles mathématiques • Règles d’apprentissage : quelques exemples • Hebb wij ∆wij = µ x j yi ∆wij = µ ij x j yi Neurone i Neurone j ∆wij = µ ( x j − xmoy ) yi Connexion de j vers i • Règles avec oubli ∆wij = −γ wij + µ x j y j ∆wij = −γ wij + µ f ( x j ) g ( yi ) [ ] ∆wij = − γ wij + µ f ( x j ) g ( yi ) Réseaux de neurones - Master Sciences Cognitives - 2005 41 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 n yi = N wij x j ou yi = K ( x − w p ) j = 1 de l’ordre de n2 sommes de – Pour le réseau tout entier, on a donc produit et n opération non linéaires – L’apprentissage requiert la modification des n2 interconnexions, soit n2 équations ∑ ) ∆wij réseau = f (wijest , x jde , yiO(n , ( yi2))dopérations et mémoire. – La complexité d’un Réseaux de neurones - Master Sciences Cognitives - 2005 42 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) Réseaux de neurones - Master Sciences Cognitives - 2005 43