Las redes neuronales recurrentes de conectividad libre se pueden representar mediante la matriz de sus pesos sinápticos. Si tiene N neuronas en su red, la red se puede representar mediante una matriz NxN donde el elemento (i, j) es el peso de conexión de la neurona i a la neurona j (o 0 si no hay conexión).
(Si su red tiene una estructura en capas, probablemente debería reflejar esa estructura en los datos y almacenar las conectividad capa a capa como matrices individuales).
Si su red está densamente conectada, la representación matricial será mucho más eficiente en memoria que las listas encadenadas (que es lo que describe en el título). Si tiene una conectividad dispersa utilizando una representación de matriz “ingenua”, será un desperdicio de espacio, pero su matriz también será dispersa, y hay algunas herramientas y bibliotecas específicas para trabajar con matrices dispersas.
- ¿Cómo se ve el proceso de creación de IA desde el principio?
- ¿Debo elegir los IIT o BITS Pilani dado que quiero estudiar inteligencia artificial (aprendizaje automático)?
- ¿Qué es la inteligencia artificial? ¿Cómo puedo hacer mi carrera en él?
- ¿Dónde puedo aprender de forma gratuita a aplicar Python en inteligencia artificial para crear aplicaciones?
- ¿Por qué los métodos de IA solo tienen un parecido superficial con la forma en que funciona el cerebro?
Hacer eso también le permite tratar la mayoría de las opciones en una red neuronal como un problema de álgebra lineal. La única parte no lineal en una red neuronal suele ser la función de activación, y puede paralelizar su aplicación. Todo eso ya está implementado en muchas bibliotecas matemáticas en muchos idiomas, y es probable que también genere un código mucho más rápido.