A confusão entre redes neurais e deep learning
Em uma postagem anterior, mencionamos que termos como inteligência artificial, machine learning e redes neurais costumam ser confundidos (aqui). A razão por trás dessa confusão é que, embora esses termos se refiram a conceitos diferentes, eles são interligados.
Outra confusão importante se refere aos termos redes neurais e deep learning. Ambos os termos são profundamente relacionados. Para entender a diferença entre eles, é preciso compreender um pouco sobre como é a estrutura de uma rede neural.
A estrutura de uma rede neural
Uma rede neural artificial é um sistema computacional composto por unidades interconectadas. A inspiração para a criação destas redes é o cérebro humano e sua estrutura. Por causa dessa inspiração, as unidades das redes neurais artificiais são comumente chamadas de neurônios artificiais ou nós.
Os neurônios de uma rede neural artificial são organizados em camadas. Além disso, existem conexões entre os neurônios de diferentes camadas para transmitir informações entre eles.
Redes neurais artificiais pode ter diferentes arquiteturas. A arquitetura mais comum se chama feed-forward. É ela que mostramos na figura abaixo. Nessa figura, a rede tem três camadas: uma camada de entrada, uma camada oculta e uma camada de saída. Também indicamos os nomes destas camadas em inglês por que eles são frequentemente usados.
Vamos primeiro entender os componentes dessa figura.
Cada camada é representada na nossa imagem por um conjunto de esferas. Essas esferas representam os neurônios artificiais da rede. A camada de entrada e a camada oculta têm quatro neurônios cada. Geralmente esses números são maiores, mas nosso exemplo é apenas ilustrativo. A camada de saída na imagem tem apenas dois neurônios. Numa rede como a nossa, do tipo feed-forward e fully-connected (totalmente conectada), cada neurônio de uma camada faz conexões com todos os neurônios da camada seguinte. Essas conexões estão representadas por linhas retas na figura.
Brevíssima introdução ao funcionamento de uma rede neural
Numa rede implementada no Python ou em outra linguagem de programação, os neurônios são equações. Essas equações são utilizadas para calcular quanta informação é transmitida dos neurônios de uma camada para os neurônios da outra.
A arquitetura da rede implementada determina a direção para a propagação de informação entre seus neurônios. No nosso exemplo, os neurônios da camada de entrada mandam informações para a camada oculta e os neurônios da camada oculta mandam informações para a camada de saída. Outras arquiteturas de rede têm processos diferentes de transmissão de informações entre seus neurônios artificiais. Nós trataremos disso em posts futuros.
Para que a rede faça cálculos eficientes, a transmissão de informação de um neurônio para cada uma de suas conexões varia. Isso significa que, para cada conexão entre um neurônio e outro, existe um peso específico. Uma parte central do processo de aprendizagem ou treinamento de uma rede neural artificial consiste em obter valores apropriados para esses pesos. Ou seja, valores que garantam uma boa acurácia para o funcionamento da rede.
Qual é a relação disso com deep learning?
No exemplo que mostramos na figura acima, a rede tem apenas três camadas. Mas as redes neurais podem ter um número muito maior de camadas do que as três mostradas na imagem. Nessas situações, o número de camadas que aumenta é o de camadas ocultas.
O aumento no número de camadas em redes neurais comumente melhora seus desempenhos em tarefas complexas. Quando esse é o objetivo, não é incomum elas serem implementadas com dezenas ou centenas de camadas. Ou seja, para desempenhar tarefas muito complexas, as redes precisam aumentar em profundidade e, geralmente, também em número de neurônios em cada camada. Quando o número de camadas de uma rede neural artificial é grande, ela passa a ser chamada de deep learning (aprendizagem profunda).
Mas o que é um número de camadas grande?
No site da IBM, deep learning é definida como uma rede com três ou mais camadas (três ou mais camadas ocultas, o que seria equivalente a pelo menos duas camadas a mais na rede que mostramos na imagem acima. Um exemplo com três camadas ocultas é mostrado abaixo.). No entanto, outras pessoas e grupos utilizam números diferentes de camadas para definir uma rede como deep learning. Portanto, esse critério não é exato.
Conclusão
Para concluir o post, deep learning e redes neurais são termos interligados. Ambos se referem a algoritmos equivalentes. O critério para diferenciar uma deep learning de uma rede neural artificial é o número de camadas. Deep learning são redes neurais profundas, ou seja, com quantidades maiores de camadas do que as redes neurais artificiais tradicionais.
