Existe alguma diferença entre os termos "rede neural" e "perceptron"?
Respostas:
Sim, existe - "perceptron" refere-se a um modelo de aprendizado supervisionado específico, delineado por Rosenblatt em 1957. O perceptron é um tipo particular de rede neural e, de fato, é historicamente importante como um dos tipos de rede neural desenvolvidos. Existem outros tipos de redes neurais que foram desenvolvidas após o perceptron, e a diversidade de redes neurais continua a crescer (especialmente considerando o aprendizado profundo de ponta e moderno atualmente).
Os modelos Perceptron estão contidos no conjunto de modelos de redes neurais.
Um perceptron (camada única) é uma rede neural de camada única que funciona como um classificador binário linear. Sendo uma rede neural de camada única, ela pode ser treinada sem o uso de algoritmos mais avançados, como propagação de retorno e, em vez disso, pode ser treinada "avançando em direção" ao seu erro nas etapas especificadas por uma taxa de aprendizado. Quando alguém diz perceptron, geralmente penso na versão de camada única.
Entretanto, se você está falando de um perceptron de várias camadas , o termo é o mesmo que uma rede neural de feed-forward .
O procedimento de Perceptron Learning não pode ser generalizado para camadas ocultas
• O procedimento de convergência do perceptron funciona garantindo que, toda vez que os pesos mudem, eles se aproximem de todos os conjuntos de pesos "genericamente viáveis".
- Esse tipo de garantia não pode ser estendido a redes mais complexas, nas quais a média de duas boas soluções pode ser uma solução ruim.
• Portanto, redes neurais “multicamadas” não usam o procedimento de aprendizado do perceptron.
- Eles nunca deveriam ter sido chamados de perceptrons de várias camadas.
Coursera.org - Curso da rede neural - Semana 3
Como o @Nick mencionou, o Preceptron é uma rede neural de camada única, que usa programas escritos à mão com base no senso comum para definir os recursos . Esse recurso é usado como entrada da rede e, em seguida, toma uma decisão binária com base nisso.
[A imagem e a explicação foram baseadas no slide de Hinton em Coursera]