Искусственный нейрон

Поделись знанием:
Перейти к: навигация, поиск

Иску́сственный нейро́н (математический нейрон Маккалока — Питтса, формальный нейрон[1]) — узел искусственной нейронной сети, являющийся упрощённой моделью естественного нейрона. Математически, искусственный нейрон обычно представляют как некоторую нелинейную функцию от единственного аргумента — линейной комбинации всех входных сигналов. Данную функцию называют функцией активации[2] или функцией срабатывания, передаточной функцией. Полученный результат посылается на единственный выход. Такие искусственные нейроны объединяют в сети — соединяют выходы одних нейронов с входами других. Искусственные нейроны и сети являются основными элементами идеального нейрокомпьютера.[3]





Биологический прототип

Биологический нейрон состоит из тела диаметром от 3 до 100 мкм, содержащего ядро (с большим количеством ядерных пор) и другие органеллы (в том числе сильно развитый шероховатый ЭПР с активными рибосомами, аппарат Гольджи), и отростков. Выделяют два вида отростков. Аксон — обычно длинный отросток, приспособленный для проведения возбуждения от тела нейрона. Дендриты — как правило, короткие и сильно разветвлённые отростки, служащие главным местом образования влияющих на нейрон возбуждающих и тормозных синапсов (разные нейроны имеют различное соотношение длины аксона и дендритов). Нейрон может иметь несколько дендритов и обычно только один аксон. Один нейрон может иметь связи с 20 тысячами других нейронов. Кора головного мозга человека содержит 10—20 миллиардов нейронов.

История развития

Математическая модель искусственного нейрона была предложена У. Маккалоком и У. Питтсом вместе с моделью сети, состоящей из этих нейронов. Авторы показали, что сеть на таких элементах может выполнять числовые и логические операции[4]. Практически сеть была реализована Фрэнком Розенблаттом в 1958 году как компьютерная программа, а впоследствии как электронное устройство — перцептрон. Первоначально нейрон мог оперировать только с сигналами логического нуля и логической единицы[5], поскольку был построен на основе биологического прототипа, который может пребывать только в двух состояниях — возбужденном или невозбужденном. Развитие нейронных сетей показало, что для расширения области их применения необходимо, чтобы нейрон мог работать не только с бинарными, но и с непрерывными (аналоговыми) сигналами. Такое обобщение модели нейрона было сделано Уидроу и Хоффом[6], которые предложили в качестве функции срабатывания нейрона использовать логистическую кривую.

Связи между искусственными нейронами

Связи, по которым выходные сигналы одних нейронов поступают на входы других, часто называют синапсами по аналогии со связями между биологическими нейронами. Каждая связь характеризуется своим весом. Связи с положительным весом называются возбуждающими, а с отрицательным — тормозящими[7]. Нейрон имеет один выход, часто называемый аксоном по аналогии с биологическим прототипом. С единственного выхода нейрона сигнал может поступать на произвольное число входов других нейронов.

Математическая модель

Математически нейрон представляет собой взвешенный сумматор, единственный выход которого определяется через его входы и матрицу весов следующим образом:

<math>y = f(u)</math>, где <math>u=\sum_{i=1}^{n} w_i x_i + w_0 x_0</math>

Здесь <math>x_i</math> и <math>w_i</math> — соответственно сигналы на входах нейрона и веса входов, функция u называется индуцированным локальным полем, а f(u) — передаточной функцией. Возможные значения сигналов на входах нейрона считают заданными в интервале <math>[0,1]</math>. Они могут быть либо дискретными (0 или 1), либо аналоговыми. Дополнительный вход <math>x_0</math> и соответствующий ему вес <math>w_0</math> используются для инициализации нейрона[8]. Под инициализацией подразумевается смещение активационной функции нейрона по горизонтальной оси, то есть формирование порога чувствительности нейрона[5]. Кроме того, иногда к выходу нейрона специально добавляют некую случайную величину, называемую сдвигом. Сдвиг можно рассматривать как сигнал на дополнительном, всегда нагруженном, синапсе.

Передаточная функция нейрона

Передаточная функция <math>f(u)</math> определяет зависимость сигнала на выходе нейрона от взвешенной суммы сигналов на его входах. В большинстве случаев она является монотонно возрастающей и имеет область значений <math>[-1,1]</math> или <math>[0,1]</math>, однако существуют исключения. Также для некоторых алгоритмов обучения сети необходимо, чтобы она была непрерывно дифференцируемой на всей числовой оси[8]. Искусственный нейрон полностью характеризуется своей передаточной функцией. Использование различных передаточных функций позволяет вносить нелинейность в работу нейрона и в целом нейронной сети.

Классификация нейронов

В основном, нейроны классифицируют на основе их положения в топологии сети. Разделяют:

  • Входные нейроны — принимают исходный вектор, кодирующий входной сигнал. Как правило, эти нейроны не выполняют вычислительных операций, а просто передают полученный входной сигнал на выход, возможно, усилив или ослабив его;
  • Выходные нейроны — представляют из себя выходы сети. В выходных нейронах могут производиться какие-либо вычислительные операции;
  • Промежуточные нейроны — выполняют основные вычислительные операции[9].

Основные типы передаточных функций

Линейная передаточная функция

Сигнал на выходе нейрона линейно связан со взвешенной суммой сигналов на его входе.

<math>f(x) = tx</math>,

где <math>t</math> — параметр функции. В искусственных нейронных сетях со слоистой структурой нейроны с передаточными функциями такого типа, как правило, составляют входной слой. Кроме простой линейной функции могут быть использованы её модификации. Например полулинейная функция (если её аргумент меньше нуля, то она равна нулю, а в остальных случаях, ведет себя как линейная) или шаговая (линейная функция с насыщением), которую можно выразить формулой[10]:

<math>f(x) = \begin{cases}0 & \text{if } x \leq 0\\1 & \text{if } x \geq 1\\x & \text{else}\end{cases}</math>

При этом возможен сдвиг функции по обеим осям (как изображено на рисунке).

Недостатками шаговой и полулинейной активационных функций относительно линейной можно назвать то, что они не являются дифференцируемыми на всей числовой оси, а значит не могут быть использованы при обучении по некоторым алгоритмам.

Пороговая передаточная функция

Другое название — функция Хевисайда. Представляет собой перепад. До тех пор пока взвешенный сигнал на входе нейрона не достигает некоторого уровня <math>T</math> — сигнал на выходе равен нулю. Как только сигнал на входе нейрона превышает указанный уровень — выходной сигнал скачкообразно изменяется на единицу. Самый первый представитель слоистых искусственных нейронных сетей — перцептрон[11] состоял исключительно из нейронов такого типа[5]. Математическая запись этой функции выглядит так:

<math>f(x) = \begin{cases}1 & \text{if } x \geq T\\0 & \text{else}\end{cases}</math>

Здесь <math>T = -w_0x_0</math> — сдвиг функции активации относительно горизонтальной оси, соответственно под <math>x</math> следует понимать взвешенную сумму сигналов на входах нейрона без учёта этого слагаемого. Ввиду того, что данная функция не является дифференцируемой на всей оси абсцисс, её нельзя использовать в сетях, обучающихся по алгоритму обратного распространения ошибки и другим алгоритмам, требующим дифференцируемости передаточной функции.

Сигмоидальная передаточная функция

Один из самых часто используемых, на данный момент, типов передаточных функций. Введение функций сигмоидального типа было обусловлено ограниченностью нейронных сетей с пороговой функцией активации нейронов — при такой функции активации любой из выходов сети равен либо нулю, либо единице, что ограничивает использование сетей не в задачах классификации. Использование сигмоидальных функций позволило перейти от бинарных выходов нейрона к аналоговым[12]. Функции передачи такого типа, как правило, присущи нейронам, находящимся во внутренних слоях нейронной сети.

Логистическая функция

Математически логистическую функцию можно выразить так:

<math>\sigma(x) = \frac {1}{(1+\exp (-tx))}</math>

Здесь t — это параметр функции, определяющий её крутизну. Когда t стремится к бесконечности, функция вырождается в пороговую. При <math>t = 0</math> сигмоида вырождается в постоянную функцию со значением 0,5. Область значений данной функции находится в интервале (0,1). Важным достоинством этой функции является простота её производной:

<math>\cfrac{d\sigma(x)}{dx} = t \sigma(x) (1-\sigma(x))</math>

То, что производная этой функции может быть выражена через её значение облегчает использование этой функции при обучении сети по алгоритму обратного распространения[13]. Особенностью нейронов с такой передаточной характеристикой является то, что они усиливают сильные сигналы существенно меньше, чем слабые, поскольку области сильных сигналов соответствуют пологим участкам характеристики. Это позволяет предотвратить насыщение от больших сигналов[14].

Гиперболический тангенс

Использование функции гиперболического тангенса

<math>th(Ax) = \frac{\exp (Ax) - \exp (-Ax)}{\exp (Ax) + \exp (-Ax)}</math>

отличается от рассмотренной выше логистической кривой тем, что его область значений лежит в интервале (-1;1). Так как верно соотношение

<math>th(\frac{t}{2}x) = 2\sigma(x)-1</math>,

то оба графика отличаются лишь масштабом осей. Производная гиперболического тангенса, разумеется, тоже выражается квадратичной функцией значения; свойство противостоять насыщению имеет место точно также.

Модифицированный гиперболический тангенс

Использование функции модифицированного гиперболического тангенса

<math>\operatorname{mth}x= \frac {e^{x} - e^{-x}} {e^{ax} + e^{-bx}}, (a,b > 1), </math>

масштабированной по оси ординат до интервала [-1;1] позволяет получить семейство сигмоидальных функций.

Радиально-базисная функция передачи

Радиально-базисная функция передачи (RBF) принимает в качестве аргумента расстояние между входным вектором и некоторым наперед заданным центром активационной функции. Значение этой функции тем выше, чем ближе входной вектор к центру[15]. В качестве радиально-базисной можно, например, использовать функцию Гаусса:

<math>y=\exp(-\frac{(S-R)^2}{2\sigma^ 2})</math>.

Здесь <math>S = ||\mathbf{X}-\mathbf{C}||</math> — расстояние между центром <math>\mathbf{C}</math> и вектором входных сигналов <math>\mathbf{X}</math>. Скалярный параметр <math>\sigma</math> определяет скорость спадания функции при удалении вектора от центра и называется шириной окна, параметр <math>R</math> определяет сдвиг активационной функции по оси абсцисс. Сети с нейронами, использующими такие функции, называются RBF-сетями. В качестве расстояния между векторами могут быть использованы различные метрики[16], обычно используется евклидово расстояние:

<math>S = \sqrt{ \sum_{j=1}^{N} { (x_j-c_j)^2 } }</math>.

Здесь <math>x_j</math> — <math>j</math>-я компонента вектора, поданного на вход нейрона, а <math>c_j</math> — <math>j</math>-я компонента вектора, определяющего положение центра передаточной функции. Соответственно, сети с такими нейронами называются вероятностными и регрессионными[17].

В реальных сетях активационная функция этих нейронов может отражать распределение вероятности какой-либо случайной величины, либо обозначать какие-либо эвристические зависимости между величинами.

Другие функции передачи

Перечисленные выше функции составляют лишь часть от множества передаточных функций, используемых на данный момент. В число других передаточных функций входят такие как[18]:

Стохастический нейрон

Выше описана модель детерминистического искусственного нейрона, то есть состояние на выходе нейрона однозначно определено результатом работы сумматора входных сигналов. Рассматривают также стохастические нейроны, где переключение нейрона происходит с вероятностью, зависящей от индуцированного локального поля, то есть передаточная функция определена как:

<math>f(u) = \begin{cases}1 & \text{с вероятностью} P(u) \\0 & \text{с вероятностью} 1-P(u)\end{cases}</math>,

где распределение вероятности <math>P(u)</math> обычно имеет вид сигмоида:

<math>\sigma(u) = \frac {A(T)}{1+\exp (-u/T)}</math>,

a нормировочная константа <math>A(T)</math> вводится для условия нормализации распределения вероятности <math>\int^1_0 \sigma(u) du = 1</math>. Таким образом, нейрон активируется с вероятностью <math>P(u)</math>. Параметр <math>T</math> — аналог температуры (но не температуры нейрона) и определяет беспорядок в нейронной сети. Если <math>T</math> устремить к 0, стохастический нейрон перейдет в обычный нейрон с передаточной функцией Хевисайда (пороговой функцией).

Моделирование формальных логических функций

Нейрон с пороговой передаточной функцией может моделировать различные логические функции. Изображения иллюстрируют, каким образом можно, задав веса входных сигналов и порог чувствительности, заставить нейрон выполнять конъюнкцию (логическое «И») и дизъюнкцию (логическое «ИЛИ») над входными сигналами, а также логическое отрицание входного сигнала[19]. Этих трех операций достаточно, чтобы смоделировать абсолютно любую логическую функцию любого числа аргументов.

Схема нейрона, настроенного на моделирование логического «И»  
Схема нейрона, настроенного на моделирование логического «ИЛИ»  
Схема нейрона, настроенного на моделирование логического «НЕ»  

См. также

Напишите отзыв о статье "Искусственный нейрон"

Примечания

  1. Л. Г. Комарцова, А. В. Максимов «Нейрокомпьютеры», МГТУ им. Н. Э. Баумана, 2004 г., ISBN 5-7038-2554-7
  2. По аналогии с нейронами активации
  3. Миркес Е. М., [pca.narod.ru/MirkesNeurocomputer.htm Нейрокомпьютер. Проект стандарта.] — Новосибирск: Наука, 1999. — 337 с. ISBN 5-02-031409-9
  4. В статье McCulloch W.S., Pitts W. A logical Calculus of Ideas Immanent in Nervous Activity — Bull. Mathematical Biophysics, 1943 [www.springerlink.com/content/61446605110620kg online]
  5. 1 2 3 Ясницкий, 2005, с. 29.
  6. В работе Widrow B., Hoff M.E. Adaptive switching circuits. 1960 IRE WESTCON Conferencion Record. — New York, 1960
  7. В. В. Круглов, В. В. Борисов — Искусственные нейронные сети. Теория и практика — с.11
  8. 1 2 В. А. Терехов — Нейросетевые системы управления — с.12-13
  9. В. В. Круглов, В. В. Борисов — Искусственные нейронные сети. Теория и практика — с.14
  10. В. В. Круглов, В. В. Борисов — Искусственные нейронные сети. Теория и практика — с.12
  11. Очень часто в литературе можно встретить название персептрон
  12. Ясницкий, 2005, с. 34.
  13. [www.citforum.ru/hardware/neurocomp/neyrocomp_02.shtml CIT forum — Нейрокомпьютеры — архитектура и реализация]
  14. В. В. Круглов, В. В. Борисов — Искусственные нейронные сети. Теория и практика — с.13
  15. Ясницкий, 2005, с. 77.
  16. В. В. Круглов, В. В. Борисов — Искусственные нейронные сети. Теория и практика — с.349
  17. В. В. Круглов, В. В. Борисов — Искусственные нейронные сети. Теория и практика — с.348
  18. Text
  19. Ясницкий, 2005, с. 30.

Литература

  • Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. — 1-е. — Высшая школа, 2002. — С. 184. — ISBN 5-06-004094-1.
  • Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. — 1-е. — М.: Горячая линия - Телеком, 2001. — С. 382. — ISBN 5-93517-031-0.
  • Каллан Р. Основные концепции нейронных сетей = The Essence of Neural Networks First Edition. — 1-е. — «Вильямс», 2001. — С. 288. — ISBN 5-8459-0210-X.
  • Ясницкий Л. Н. Введение в искусственный интеллект. — 1-е. — Издательский центр «Академия», 2005. — С. 176. — ISBN 5-7695-1958-4.
  • Комарцова Л. Г., Максимов А. В. [www.books.ru/shop/search/advanced?as%5Bisbn%5D=5703819083&as%5Bsub%5D=%E8%F1%EA%E0%F2%FC Нейрокомпьютеры]. — 1-е. — Изд-во МГТУ им. Н.Э. Баумана, 2002. — С. 320. — ISBN 5-7038-1908-3.
  • Савельев А. В. Концепция многопроцессорного нейрона // Искусственный интеллект. Интеллектуальные и многопроцессорные системы. — Донецк-Таганрог- Минск, 2006. — С. 293-300.
  • Савельев А. В. Нейрокомпьютеры в изобретениях // журнал [www.radiotec.ru/catalog.php?cat=jr7 «Нейрокомпьютеры: разработка, применение».], Издательство "Радиотехника". — Москва, 2004. — № 2-3. — С. 33-49.
  • [science-library.at.ua/load/sistemy_iskusstvennogo_intellekta/nechetkie_sistemy_i_nechetkaja_logika/fusion_of_neural_networks_fuzzy_systems_and_genetic_algorithms_industrial_applications/4-1-0-5 Lakhmi C. Jain; N.M. Martin Fusion of Neural Networks, Fuzzy Systems and Genetic Algorithms: Industrial Applications. — CRC Press, CRC Press LLC, 1998]
  • [science-library.at.ua/load/5-1-0-2 Емельянов В. В., Курейчик В. В., Курейчик В. Н. Теория и практика эволюционного моделирования. — М: Физматлит, 2003.]

Отрывок, характеризующий Искусственный нейрон

Наташа рассказала ему свой роман с князем Андреем, его приезд в Отрадное и показала его последнее письмо.
– Что ж ты рад? – спрашивала Наташа. – Я так теперь спокойна, счастлива.
– Очень рад, – отвечал Николай. – Он отличный человек. Что ж ты очень влюблена?
– Как тебе сказать, – отвечала Наташа, – я была влюблена в Бориса, в учителя, в Денисова, но это совсем не то. Мне покойно, твердо. Я знаю, что лучше его не бывает людей, и мне так спокойно, хорошо теперь. Совсем не так, как прежде…
Николай выразил Наташе свое неудовольствие о том, что свадьба была отложена на год; но Наташа с ожесточением напустилась на брата, доказывая ему, что это не могло быть иначе, что дурно бы было вступить в семью против воли отца, что она сама этого хотела.
– Ты совсем, совсем не понимаешь, – говорила она. Николай замолчал и согласился с нею.
Брат часто удивлялся глядя на нее. Совсем не было похоже, чтобы она была влюбленная невеста в разлуке с своим женихом. Она была ровна, спокойна, весела совершенно по прежнему. Николая это удивляло и даже заставляло недоверчиво смотреть на сватовство Болконского. Он не верил в то, что ее судьба уже решена, тем более, что он не видал с нею князя Андрея. Ему всё казалось, что что нибудь не то, в этом предполагаемом браке.
«Зачем отсрочка? Зачем не обручились?» думал он. Разговорившись раз с матерью о сестре, он, к удивлению своему и отчасти к удовольствию, нашел, что мать точно так же в глубине души иногда недоверчиво смотрела на этот брак.
– Вот пишет, – говорила она, показывая сыну письмо князя Андрея с тем затаенным чувством недоброжелательства, которое всегда есть у матери против будущего супружеского счастия дочери, – пишет, что не приедет раньше декабря. Какое же это дело может задержать его? Верно болезнь! Здоровье слабое очень. Ты не говори Наташе. Ты не смотри, что она весела: это уж последнее девичье время доживает, а я знаю, что с ней делается всякий раз, как письма его получаем. А впрочем Бог даст, всё и хорошо будет, – заключала она всякий раз: – он отличный человек.


Первое время своего приезда Николай был серьезен и даже скучен. Его мучила предстоящая необходимость вмешаться в эти глупые дела хозяйства, для которых мать вызвала его. Чтобы скорее свалить с плеч эту обузу, на третий день своего приезда он сердито, не отвечая на вопрос, куда он идет, пошел с нахмуренными бровями во флигель к Митеньке и потребовал у него счеты всего. Что такое были эти счеты всего, Николай знал еще менее, чем пришедший в страх и недоумение Митенька. Разговор и учет Митеньки продолжался недолго. Староста, выборный и земский, дожидавшиеся в передней флигеля, со страхом и удовольствием слышали сначала, как загудел и затрещал как будто всё возвышавшийся голос молодого графа, слышали ругательные и страшные слова, сыпавшиеся одно за другим.
– Разбойник! Неблагодарная тварь!… изрублю собаку… не с папенькой… обворовал… – и т. д.
Потом эти люди с неменьшим удовольствием и страхом видели, как молодой граф, весь красный, с налитой кровью в глазах, за шиворот вытащил Митеньку, ногой и коленкой с большой ловкостью в удобное время между своих слов толкнул его под зад и закричал: «Вон! чтобы духу твоего, мерзавец, здесь не было!»
Митенька стремглав слетел с шести ступеней и убежал в клумбу. (Клумба эта была известная местность спасения преступников в Отрадном. Сам Митенька, приезжая пьяный из города, прятался в эту клумбу, и многие жители Отрадного, прятавшиеся от Митеньки, знали спасительную силу этой клумбы.)
Жена Митеньки и свояченицы с испуганными лицами высунулись в сени из дверей комнаты, где кипел чистый самовар и возвышалась приказчицкая высокая постель под стеганным одеялом, сшитым из коротких кусочков.
Молодой граф, задыхаясь, не обращая на них внимания, решительными шагами прошел мимо них и пошел в дом.
Графиня узнавшая тотчас через девушек о том, что произошло во флигеле, с одной стороны успокоилась в том отношении, что теперь состояние их должно поправиться, с другой стороны она беспокоилась о том, как перенесет это ее сын. Она подходила несколько раз на цыпочках к его двери, слушая, как он курил трубку за трубкой.
На другой день старый граф отозвал в сторону сына и с робкой улыбкой сказал ему:
– А знаешь ли, ты, моя душа, напрасно погорячился! Мне Митенька рассказал все.
«Я знал, подумал Николай, что никогда ничего не пойму здесь, в этом дурацком мире».
– Ты рассердился, что он не вписал эти 700 рублей. Ведь они у него написаны транспортом, а другую страницу ты не посмотрел.
– Папенька, он мерзавец и вор, я знаю. И что сделал, то сделал. А ежели вы не хотите, я ничего не буду говорить ему.
– Нет, моя душа (граф был смущен тоже. Он чувствовал, что он был дурным распорядителем имения своей жены и виноват был перед своими детьми но не знал, как поправить это) – Нет, я прошу тебя заняться делами, я стар, я…
– Нет, папенька, вы простите меня, ежели я сделал вам неприятное; я меньше вашего умею.
«Чорт с ними, с этими мужиками и деньгами, и транспортами по странице, думал он. Еще от угла на шесть кушей я понимал когда то, но по странице транспорт – ничего не понимаю», сказал он сам себе и с тех пор более не вступался в дела. Только однажды графиня позвала к себе сына, сообщила ему о том, что у нее есть вексель Анны Михайловны на две тысячи и спросила у Николая, как он думает поступить с ним.
– А вот как, – отвечал Николай. – Вы мне сказали, что это от меня зависит; я не люблю Анну Михайловну и не люблю Бориса, но они были дружны с нами и бедны. Так вот как! – и он разорвал вексель, и этим поступком слезами радости заставил рыдать старую графиню. После этого молодой Ростов, уже не вступаясь более ни в какие дела, с страстным увлечением занялся еще новыми для него делами псовой охоты, которая в больших размерах была заведена у старого графа.


Уже были зазимки, утренние морозы заковывали смоченную осенними дождями землю, уже зелень уклочилась и ярко зелено отделялась от полос буреющего, выбитого скотом, озимого и светло желтого ярового жнивья с красными полосами гречихи. Вершины и леса, в конце августа еще бывшие зелеными островами между черными полями озимей и жнивами, стали золотистыми и ярко красными островами посреди ярко зеленых озимей. Русак уже до половины затерся (перелинял), лисьи выводки начинали разбредаться, и молодые волки были больше собаки. Было лучшее охотничье время. Собаки горячего, молодого охотника Ростова уже не только вошли в охотничье тело, но и подбились так, что в общем совете охотников решено было три дня дать отдохнуть собакам и 16 сентября итти в отъезд, начиная с дубравы, где был нетронутый волчий выводок.
В таком положении были дела 14 го сентября.
Весь этот день охота была дома; было морозно и колко, но с вечера стало замолаживать и оттеплело. 15 сентября, когда молодой Ростов утром в халате выглянул в окно, он увидал такое утро, лучше которого ничего не могло быть для охоты: как будто небо таяло и без ветра спускалось на землю. Единственное движенье, которое было в воздухе, было тихое движенье сверху вниз спускающихся микроскопических капель мги или тумана. На оголившихся ветвях сада висели прозрачные капли и падали на только что свалившиеся листья. Земля на огороде, как мак, глянцевито мокро чернела, и в недалеком расстоянии сливалась с тусклым и влажным покровом тумана. Николай вышел на мокрое с натасканной грязью крыльцо: пахло вянущим лесом и собаками. Чернопегая, широкозадая сука Милка с большими черными на выкате глазами, увидав хозяина, встала, потянулась назад и легла по русачьи, потом неожиданно вскочила и лизнула его прямо в нос и усы. Другая борзая собака, увидав хозяина с цветной дорожки, выгибая спину, стремительно бросилась к крыльцу и подняв правило (хвост), стала тереться о ноги Николая.
– О гой! – послышался в это время тот неподражаемый охотничий подклик, который соединяет в себе и самый глубокий бас, и самый тонкий тенор; и из за угла вышел доезжачий и ловчий Данило, по украински в скобку обстриженный, седой, морщинистый охотник с гнутым арапником в руке и с тем выражением самостоятельности и презрения ко всему в мире, которое бывает только у охотников. Он снял свою черкесскую шапку перед барином, и презрительно посмотрел на него. Презрение это не было оскорбительно для барина: Николай знал, что этот всё презирающий и превыше всего стоящий Данило всё таки был его человек и охотник.
– Данила! – сказал Николай, робко чувствуя, что при виде этой охотничьей погоды, этих собак и охотника, его уже обхватило то непреодолимое охотничье чувство, в котором человек забывает все прежние намерения, как человек влюбленный в присутствии своей любовницы.
– Что прикажете, ваше сиятельство? – спросил протодиаконский, охриплый от порсканья бас, и два черные блестящие глаза взглянули исподлобья на замолчавшего барина. «Что, или не выдержишь?» как будто сказали эти два глаза.
– Хорош денек, а? И гоньба, и скачка, а? – сказал Николай, чеша за ушами Милку.
Данило не отвечал и помигал глазами.
– Уварку посылал послушать на заре, – сказал его бас после минутного молчанья, – сказывал, в отрадненский заказ перевела, там выли. (Перевела значило то, что волчица, про которую они оба знали, перешла с детьми в отрадненский лес, который был за две версты от дома и который был небольшое отъемное место.)
– А ведь ехать надо? – сказал Николай. – Приди ка ко мне с Уваркой.
– Как прикажете!
– Так погоди же кормить.
– Слушаю.
Через пять минут Данило с Уваркой стояли в большом кабинете Николая. Несмотря на то, что Данило был не велик ростом, видеть его в комнате производило впечатление подобное тому, как когда видишь лошадь или медведя на полу между мебелью и условиями людской жизни. Данило сам это чувствовал и, как обыкновенно, стоял у самой двери, стараясь говорить тише, не двигаться, чтобы не поломать как нибудь господских покоев, и стараясь поскорее всё высказать и выйти на простор, из под потолка под небо.
Окончив расспросы и выпытав сознание Данилы, что собаки ничего (Даниле и самому хотелось ехать), Николай велел седлать. Но только что Данила хотел выйти, как в комнату вошла быстрыми шагами Наташа, еще не причесанная и не одетая, в большом, нянином платке. Петя вбежал вместе с ней.
– Ты едешь? – сказала Наташа, – я так и знала! Соня говорила, что не поедете. Я знала, что нынче такой день, что нельзя не ехать.
– Едем, – неохотно отвечал Николай, которому нынче, так как он намеревался предпринять серьезную охоту, не хотелось брать Наташу и Петю. – Едем, да только за волками: тебе скучно будет.
– Ты знаешь, что это самое большое мое удовольствие, – сказала Наташа.
– Это дурно, – сам едет, велел седлать, а нам ничего не сказал.
– Тщетны россам все препоны, едем! – прокричал Петя.
– Да ведь тебе и нельзя: маменька сказала, что тебе нельзя, – сказал Николай, обращаясь к Наташе.
– Нет, я поеду, непременно поеду, – сказала решительно Наташа. – Данила, вели нам седлать, и Михайла чтоб выезжал с моей сворой, – обратилась она к ловчему.
И так то быть в комнате Даниле казалось неприлично и тяжело, но иметь какое нибудь дело с барышней – для него казалось невозможным. Он опустил глаза и поспешил выйти, как будто до него это не касалось, стараясь как нибудь нечаянно не повредить барышне.


Старый граф, всегда державший огромную охоту, теперь же передавший всю охоту в ведение сына, в этот день, 15 го сентября, развеселившись, собрался сам тоже выехать.
Через час вся охота была у крыльца. Николай с строгим и серьезным видом, показывавшим, что некогда теперь заниматься пустяками, прошел мимо Наташи и Пети, которые что то рассказывали ему. Он осмотрел все части охоты, послал вперед стаю и охотников в заезд, сел на своего рыжего донца и, подсвистывая собак своей своры, тронулся через гумно в поле, ведущее к отрадненскому заказу. Лошадь старого графа, игреневого меренка, называемого Вифлянкой, вел графский стремянной; сам же он должен был прямо выехать в дрожечках на оставленный ему лаз.
Всех гончих выведено было 54 собаки, под которыми, доезжачими и выжлятниками, выехало 6 человек. Борзятников кроме господ было 8 человек, за которыми рыскало более 40 борзых, так что с господскими сворами выехало в поле около 130 ти собак и 20 ти конных охотников.
Каждая собака знала хозяина и кличку. Каждый охотник знал свое дело, место и назначение. Как только вышли за ограду, все без шуму и разговоров равномерно и спокойно растянулись по дороге и полю, ведшими к отрадненскому лесу.
Как по пушному ковру шли по полю лошади, изредка шлепая по лужам, когда переходили через дороги. Туманное небо продолжало незаметно и равномерно спускаться на землю; в воздухе было тихо, тепло, беззвучно. Изредка слышались то подсвистыванье охотника, то храп лошади, то удар арапником или взвизг собаки, не шедшей на своем месте.
Отъехав с версту, навстречу Ростовской охоте из тумана показалось еще пять всадников с собаками. Впереди ехал свежий, красивый старик с большими седыми усами.
– Здравствуйте, дядюшка, – сказал Николай, когда старик подъехал к нему.
– Чистое дело марш!… Так и знал, – заговорил дядюшка (это был дальний родственник, небогатый сосед Ростовых), – так и знал, что не вытерпишь, и хорошо, что едешь. Чистое дело марш! (Это была любимая поговорка дядюшки.) – Бери заказ сейчас, а то мой Гирчик донес, что Илагины с охотой в Корниках стоят; они у тебя – чистое дело марш! – под носом выводок возьмут.
– Туда и иду. Что же, свалить стаи? – спросил Николай, – свалить…
Гончих соединили в одну стаю, и дядюшка с Николаем поехали рядом. Наташа, закутанная платками, из под которых виднелось оживленное с блестящими глазами лицо, подскакала к ним, сопутствуемая не отстававшими от нее Петей и Михайлой охотником и берейтором, который был приставлен нянькой при ней. Петя чему то смеялся и бил, и дергал свою лошадь. Наташа ловко и уверенно сидела на своем вороном Арабчике и верной рукой, без усилия, осадила его.
Дядюшка неодобрительно оглянулся на Петю и Наташу. Он не любил соединять баловство с серьезным делом охоты.
– Здравствуйте, дядюшка, и мы едем! – прокричал Петя.
– Здравствуйте то здравствуйте, да собак не передавите, – строго сказал дядюшка.
– Николенька, какая прелестная собака, Трунила! он узнал меня, – сказала Наташа про свою любимую гончую собаку.
«Трунила, во первых, не собака, а выжлец», подумал Николай и строго взглянул на сестру, стараясь ей дать почувствовать то расстояние, которое должно было их разделять в эту минуту. Наташа поняла это.
– Вы, дядюшка, не думайте, чтобы мы помешали кому нибудь, – сказала Наташа. Мы станем на своем месте и не пошевелимся.
– И хорошее дело, графинечка, – сказал дядюшка. – Только с лошади то не упадите, – прибавил он: – а то – чистое дело марш! – не на чем держаться то.
Остров отрадненского заказа виднелся саженях во ста, и доезжачие подходили к нему. Ростов, решив окончательно с дядюшкой, откуда бросать гончих и указав Наташе место, где ей стоять и где никак ничего не могло побежать, направился в заезд над оврагом.
– Ну, племянничек, на матерого становишься, – сказал дядюшка: чур не гладить (протравить).
– Как придется, отвечал Ростов. – Карай, фюит! – крикнул он, отвечая этим призывом на слова дядюшки. Карай был старый и уродливый, бурдастый кобель, известный тем, что он в одиночку бирал матерого волка. Все стали по местам.
Старый граф, зная охотничью горячность сына, поторопился не опоздать, и еще не успели доезжачие подъехать к месту, как Илья Андреич, веселый, румяный, с трясущимися щеками, на своих вороненьких подкатил по зеленям к оставленному ему лазу и, расправив шубку и надев охотничьи снаряды, влез на свою гладкую, сытую, смирную и добрую, поседевшую как и он, Вифлянку. Лошадей с дрожками отослали. Граф Илья Андреич, хотя и не охотник по душе, но знавший твердо охотничьи законы, въехал в опушку кустов, от которых он стоял, разобрал поводья, оправился на седле и, чувствуя себя готовым, оглянулся улыбаясь.
Подле него стоял его камердинер, старинный, но отяжелевший ездок, Семен Чекмарь. Чекмарь держал на своре трех лихих, но также зажиревших, как хозяин и лошадь, – волкодавов. Две собаки, умные, старые, улеглись без свор. Шагов на сто подальше в опушке стоял другой стремянной графа, Митька, отчаянный ездок и страстный охотник. Граф по старинной привычке выпил перед охотой серебряную чарку охотничьей запеканочки, закусил и запил полубутылкой своего любимого бордо.
Илья Андреич был немножко красен от вина и езды; глаза его, подернутые влагой, особенно блестели, и он, укутанный в шубку, сидя на седле, имел вид ребенка, которого собрали гулять. Худой, со втянутыми щеками Чекмарь, устроившись с своими делами, поглядывал на барина, с которым он жил 30 лет душа в душу, и, понимая его приятное расположение духа, ждал приятного разговора. Еще третье лицо подъехало осторожно (видно, уже оно было учено) из за леса и остановилось позади графа. Лицо это был старик в седой бороде, в женском капоте и высоком колпаке. Это был шут Настасья Ивановна.