O teorema da aproximação universal pode ser visto como uma extensão do teorema de Weierstrass¹¹¹¹11Karl Theodor Wilhelm Weierstrass, 1815 - 1897, matemático alemão. Fonte: Wikipédia: Karl Weierstrass. para redes neurais. Ele afirma que uma MLP com uma camada oculta e uma função de ativação não linear pode aproximar qualquer função contínua em um espaço compacto, com precisão arbitrária, desde que a rede tenha um número suficiente de neurônios na camada oculta.

O Teorema 2.5.1 é diretamente aplicável a uma rede MLP com uma camada escondida, tangente hiperbólica como função de ativação e uma camada de saída com função de ativação identidade. Ele garante que, para qualquer função contínua $f$ em um espaço compacto, existe uma MLP com essa arquitetura que pode aproximar $f$ com precisão arbitrária, desde que a camada escondida tenha um número suficiente de neurônios. A extensão do teorema para a aproximação de funções multivariadas é direta.

Redes MLP com função de ativação ReLU não se encaixam no Teorema 2.5.1. Entretanto, resultados teóricos sobre a aproximação de funções com tais redes também estão disponíveis. Consulte, por exemplo, [9].

O Teorema 2.5.1 é um resultado teórico importante, pois estabelece a capacidade de aproximação das MLPs. No entanto, ele não fornece uma maneira prática de determinar o número de neurônios necessários na camada escondida para alcançar uma determinada precisão, nem garante que o processo de treinamento da rede encontrará os pesos e biases adequados para realizar a aproximação desejada. Ainda, o teorema não estabelece que redes com apenas uma camada escondida sejam as melhores para a aproximação de funções, e sim que elas são suficientes. Na prática, redes com múltiplas camadas escondidas (redes profundas) podem ser mais eficientes para aproximar funções complexas.

Vamos criar uma MLP para aproximar a função

para $x\in [-\mathrm{1,1}]$. A Figura 2.12 contém o gráfico da função e da aproximação obtida com a MLP. A linha contínua representa a função, a linha tracejada representa a MLP e os pontos representam as amostras de treinamento na última época do treinamento. O resultado foi obtido com o Código 11 que discutiremos com mais detalhes na sequência.

No início do Código 11 verificamos se há uma GPU disponível para o treinamento da rede. Caso haja, o treinamento é feito na GPU, caso contrário, ele é feito na CPU. A GPU é um dispositivo de processamento paralelo que pode acelerar significativamente o treinamento de redes neurais, especialmente para redes grandes e conjuntos de dados extensos (mesmo que este não seja o caso aqui).

Usamos uma arquitetura de rede $1-1\times 25-1$ (uma entrada, uma camada escondida com 25 neurônios e uma saída). A função de ativação da camada escondida é a tangente hiperbólica e a função de ativação da camada de saída é a função identidade. A cada época, $n_s=100$ pontos randômicos são gerados no intervalo $[-\mathrm{1,1}]$ e usados como amostras de treinamento. A função de perda é o erro médio quadrático

dos valores estimados ${\tilde{y}}^{(s)}$ e dos valores esperados $y^{(s)}$. O treinamento é interrompido quando a função de perda de validação atinge uma tolerância de ${10}^{-5}$ por 10 épocas consecutivas (persistência).

O otimizador escolhido é uma variante do método GDE com momentum para o treinamento da rede. Nesta variante, a direção de atualização dos parâmetros da rede é uma combinação linear da direção de atualização da época anterior e do gradiente atual. Esta abordagem tem um grande potencial de acelerar a convergência do treinamento, principalmente quando o GDE com momentum é aplicado em conjunto com uma boa inicialização dos parâmetros da rede [32]. O algoritmo do GDE com momentum utilizado no código é dado por¹²¹²12O algoritmo do GDE com momentum apresentado aqui é a variante implementada na biblioteca PyTorch.

onde ${𝒅}^{(e)}$ é o vetor de atualização dos parâmetros da rede na época $e$, $\mu$ é o parâmetro de momentum. Na primeira época, aplica-se o método GDE sem momentum. No código, usamos $\mu =0.9$ e $l_r=0.1$.

Vamos criar uma MLP para aproximar a função

para $(x_1,x_2)\in 𝒟:={[-\mathrm{1,1}]}^2$. A Figura 2.13 contém o gráfico da função e de uma aproximação obtida com uma MLP. As linhas representam as isolinhas da função estimada pela MLP, o mapa de cores representa a saída da MLP e as estrelas representam os pontos de treinamento na última época do treinamento. O resultado foi obtido com o Código 12 que discutiremos com mais detalhes na sequência.

No Código 12, treinamos uma MLP com arquitetura $2-2\times 30-1$ (duas entradas, duas camadas escondidas com 30 neurônios cada e uma saída). A função de ativação das camadas escondidas é a tangente hiperbólica e a função de ativação da camada de saída é a função identidade. A cada época, $n_s=400$ pontos randômicos são gerados no domínio $𝒟$ e usados como amostras de treinamento. A função de perda é o erro médio quadrático

dos valores estimados ${\tilde{y}}^{(s)}=𝒩(x_1^{(s)},x_2^{(s)})$ e dos valores esperados $y^{(s)}=f(x_1^{(s)},x_2^{(s)})$. O treinamento é interrompido quando a função de perda em pontos de validação atinge uma tolerância de ${10}^{-4}$.

Para este problema, o otimizador escolhido foi o método Adam (do inglês, Adaptive Moment Estimation, [19]). Assim como o GDE, ele é um método de otimização baseado no gradiente. Ele calcula taxas de aprendizado adaptativas para cada parâmetro da rede, com base nas estimativas de primeira e segunda ordem dos momentos dos gradientes. Os detalhes de implementação deste método fogem aos objetivos aqui. Para mais detalhes, consulte [19]¹³¹³13Para detalhes da implementação do método Adam na biblioteca PyTorch, consulte: https://docs.pytorch.org/docs/2.14/generated/torch.optim.Adam.htm..