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,
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
Chapitre 1
Introduction
Introduction: différences et similarités
Introduction: différences et similarités
WUN D
E BA R R
ME E UX RVEILL
RVEILLE D WUN
E
BA R
R
ME
UX
Introduction: différences et similarités
sound
sound
Introduction: différences et similarités
Introduction: différences et similarités
Introduction
• Calcul neuromimétique
• Pourquoi cette approche ? Pour quels objectifs ?
Perception Robotique
Apprentissage
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
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
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)
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
Introduction
• Et … aujourd’hui
– Outil reconnu : nombreux packages, boîte à outils dans Matlab – Machine learning, Support Vector Machine
Chapitre 2
Flashs de neurobiologie
Flashs de neurobiologie
• Les neurones : des processeurs élémentaires de formes variées
mais avec des similarités :
– beaucoup d’entrées – une unité de traitement – une sortie
Flashs de neurobiologie
• Connexions entre neurones, jusqu’à 10.000 !
Flashs de neurobiologie
• Potentiel d’action : signal simple/métabolisme complexe
Ions Na+ K+ Cl- Ca++ Mg++ Autres
Intérieur 50 400 60 0,4 10 250
Extérieur 440 20 560 10 54 -
t
- 60 mV 60 mV
10 mV dépolarisation
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 somme
axone dendrites
synapse
lointaine synapse proche
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
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
Flashs de neurobiologie
• Plasticité synaptique dans le cortex cérébelleux
(Anderson, Eccles, 1965)Flashs de neurobiologie
• Plasticité synaptique dans le cortex visuel humain
(Conel,1959)
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)
• Une co-activité entraîne un renforcement synaptique
A B
sens de l'information
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-S
Oui Oui ++ ++
Non Oui ? --
Oui Non ? -
Non Non ? -
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.
Flashs de neurobiologie
• Organisation en réseaux : l’exemple du système olfactif
• Des structures typiques
– convergence/divergence – inhibitions de divers types – contrôle central
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
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.
Chapitre 3
Modèles mathématiques
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
Modèles mathématiques
• Les bases des modèles du neurone
soma
dendrites axone
arborisation terminale
xj
wij
neurone i
yi
x x
x
x1 x2
xn
wi1 wi2
win
+
pi yiModèles mathématiques
• Modèle de neurone 1
• Quelques exemples pour N(.)
+
x1 x2
xn
pi yi
N(.) wi1
wi2 win
) (
1
2 2 1
1
i i
n j
ij j
in n i
i i
p N y
w x
w x w
x w
x p
=
=
+ +
+
=
∑
=L
p )
(p N
p )
( p N
p )
(p N p
) (p N
Modèles mathématiques
• Modèle de neurone 1
– avec N(.) = signe(.) – cas de 2 entrées
• La frontière entre les régions +1 et -1 est définie par :
) (
)
( 1 1 2 2
2 2 1
1
i i
i i
i i
i i
i
w x w
x signe p
signe y
w x w
x p
θ
θ = + −
−
=
+
=
+
x1
x2
pi yi
N(.) wi1
wi2
1 2 2 1
1 0
i i
i i
i
x w x
w x w
x
θ θ +
−
=
=
− +
plutôt ressemblant plutôt
différent
Modèles mathématiques
• Modèle de neurone 2
1
2 2
1 1
p n
j
p ij j
p in n
p i p
i i
w x
w x
w x
w x
p
−
=
−
=
− +
+
− +
−
=
∑
=w x
L
p )
( p N
p )
( p N
+
θx1 x2
xn
pi yi
K(.) wi1
wi2 win
Modèles mathématiques
• Modèle de neurone 2
– distance euclidienne, 2 entrées – fonction noyau :
• La frontière entre les régions :
[ ]
) (
2 / 2 1 2 2
2 1 1
i i
i i
i
p K y
w x
w x
p
=
− +
−
=
+
x1
x2
pi yi
K(.) wi1
wi2
<
= 0sinon si
) 1
( p θ
p K
[ ]
θ
θ
<
− +
−
<
− +
−
=
2 2
2 / 2 1 2 2
2 1 1
ou
i i
i
w x
w x
w x
w x
p
plutôt ressemblant plutôt
Modèles mathématiques
• Modèles de réseaux : quelques exemples
Connexions directes Connexions récurrentes
Modèles mathématiques
• Modèles de réseaux : notations
wij Neurone i Neurone j
Connexion de j vers i
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
(
ij j i( )
i d)
ij f w x y y
w = , , ,
∆
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
+
+ + +
+ +
+
Modèles mathématiques
• Règles d’apprentissage : quelques exemples
• Hebb
• Règles avec oubli
i moy j
ij
i j ij ij
i j ij
y x
x w
y x w
y x w
) ( −
=
∆
=
∆
=
∆
µ µ µ
[
ij (( j))]
( (i) )ij
j j ij
ij
y g x
f w
w
y g x f w
w
y x w
w
µ γ
µ γ
µ γ
+
−
=
∆
+
−
=
∆
+
−
=
∆
Neurone j
Neurone i
Connexion de j vers i wij
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
i p n
j
j ij
i N w x y K
y = x− w
=
∑
=
(
ij j i( )
i d)
ij f w x y y
w = , , ,
∆
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)