Kuten nimestä voi päätellä, taudin lisääminen on algoritmi että taaksepäin levitetään virheet ulostulosolmuista tulosolmuihin. Siksi sitä kutsutaan yksinkertaisesti 'virheiden levittämiseksi taaksepäin'. Tämä lähestymistapa kehitettiin ihmisen aivojen analyysistä. Puheentunnistus, merkintunnistus, allekirjoituksen todentaminen, ihmisen ja kasvojen tunnistus ovat joitain mielenkiintoisia sovelluksia hermoverkoissa. Neuroverkot käyvät läpi valvotun oppimisen, verkon läpi kulkeva tulovektori tuottaa ulostulovektorin. Tämä lähtövektori verrataan haluttuun lähtöön. Jos tulos ei vastaa lähtövektoria, luodaan virheraportti. Virheraportin perusteella painot säädetään halutun tuloksen saamiseksi.
Mikä on keinotekoinen hermoverkko?
An Keinotekoinen hermoverkko käyttää valvottua oppimissääntöä tullakseen tehokkaaksi ja tehokkaaksi. Tiedot hermoverkoissa kulkevat kahdella eri tavalla. Ensisijaisesti, kun mallia koulutetaan tai opitaan ja kun malli toimii normaalisti - joko testattavaksi tai sitä käytetään minkä tahansa tehtävän suorittamiseen. Eri muodoissa oleva tieto syötetään malliin tulohermosolujen kautta, mikä laukaisee useita piilotettujen hermosolujen kerroksia ja saavuttaa ulostulohermonit, joka tunnetaan syötteenä tulevana verkkona.
Koska kaikki hermosolut eivät laukaise samanaikaisesti, hermosolut, jotka vastaanottavat tulot vasemmalta, kerrotaan painoilla, kun ne kulkevat piilotettujen kerrosten läpi. Lisää nyt kaikki tulot jokaisesta hermosolusta ja kun summa ylittää tietyn kynnystason, hiljaa pysyneet neuronit laukaisevat ja muodostavat yhteyden.
Keinotekoinen hermoverkko oppii, että se oppii siitä, mitä se oli tehnyt väärin ja tekee oikein, ja tämä tunnetaan palautteena. Keinotekoiset hermoverkot käyttävät palautetta oppiakseen, mikä on oikein ja mikä väärin.
Mikä on Backpropagation?
Määritelmä: Tausta lisääntyminen on olennainen mekanismi, jolla hermoverkot koulutetaan. Se on mekanismi, jota käytetään hermoverkon painojen hienosäätöön (jota tässä artikkelissa muuten kutsutaan malliksi) suhteessa edellisessä iteraatiossa tuotettuun virhesuhteeseen. Se on samanlainen kuin messenger, joka kertoo mallille, jos verkko teki virheen vai ei heti, kun se ennusti.
backpropagation-hermoverkko
Neuroverkkojen taudin lisääntyminen koskee tarttuminen tietojen yhdistäminen mallin tuottamaan virheeseen arvauksen aikana. Tällä menetelmällä pyritään vähentämään virhettä, jota muuten kutsutaan häviöfunktioksi.
Kuinka lisääntyminen toimii - yksinkertainen algoritmi
Syvän oppimisen lisääntyminen on tavallinen lähestymistapa keinotekoisten hermoverkkojen kouluttamiseen. Se toimii näin: - Alun perin kun hermoverkko suunnitellaan, satunnaiset arvot määritetään painoksi. Käyttäjä ei ole varma, ovatko määritetyt painoarvot oikein vai sopivatko ne malliin. Tämän seurauksena malli antaa arvon, joka eroaa todellisesta tai odotetusta tuotoksesta, mikä on virhearvo.
Oikean tuotoksen saamiseksi mahdollisimman pienellä virheellä malli on koulutettava asiaankuuluvaan tietojoukkoon tai parametreihin ja seurattava sen edistymistä joka kerta, kun se ennustaa. Neuroverkolla on suhde virheeseen, joten aina kun parametrit muuttuvat, myös virhe muuttuu. Taustavälitys käyttää tekniikkaa, joka tunnetaan nimellä delta-sääntö tai kaltevuuslasku, mallin parametrien muuttamiseksi.
Yllä oleva kaavio näyttää taaksekasvun toiminnan ja sen toiminta on annettu alla.
- ”X” tuloissa ulottuu ennalta liitetyltä polulta
- ”W”, todellisia painoja käytetään tulon mallintamiseen. W: n arvot jaetaan satunnaisesti
- Jokaisen hermosyötön lähtö lasketaan etenemisen kautta - tulokerros, piilotettu kerros ja ulostulokerros.
- Virhe lasketaan lähdöissä käyttäen yhtälöä, joka etenee taaksepäin taas lähtö- ja piilotettujen kerrosten läpi, painot säädetään virheen vähentämiseksi.
Levitä uudelleen eteenpäin tuotoksen ja virheen laskemiseksi. Jos virhe minimoidaan, tämä prosessi päättyy tai muuten etenee taaksepäin ja säätää painon arvoja.
Tämä prosessi toistuu, kunnes virhe pienenee minimiin ja haluttu tulos saadaan.
Miksi tarvitsemme jälkikasvua?
Tätä mekanismia käytetään tiettyyn tietojoukkoon liittyvän hermoverkon kouluttamiseen. Jotkut Backpropagationin edut ovat
- Se on yksinkertainen, nopea ja helppo ohjelmoida
- Vain tulon numerot viritetään eikä muita parametreja
- Ei tarvitse olla ennakkotietoa verkosta
- Se on joustava
- Tavallinen lähestymistapa ja toimii tehokkaasti
- Se ei vaadi käyttäjää oppimaan erikoistoimintoja
Backpropagation Network -tyypit
Taustavälitysverkkoja on kahdenlaisia. Se on luokiteltu seuraavasti:
Staattinen lisäys
Staattinen taantuminen on erään tyyppinen verkko, jonka tarkoituksena on tuottaa staattisen syötteen kartoitus staattista lähtöä varten. Tämän tyyppiset verkot pystyvät ratkaisemaan staattisen luokittelun ongelmat, kuten optisen merkintunnistuksen (OCR).
Toistuva Backpropagation
Toistuva backpropagation on toisen tyyppinen verkko, jota käytetään kiinteän pisteen oppimisessa. Toistuvan taudin lisäyksen aktivaatiot syötetään eteenpäin, kunnes se saavuttaa kiinteän arvon. Tämän jälkeen virhe lasketaan ja levitetään taaksepäin. A ohjelmisto , NeuroSolutionsilla on kyky suorittaa toistuva backpropagation.
Tärkeimmät erot: Staattinen backpropagation tarjoaa välittömän kartoituksen, kun taas toistuvan backpropagation kartoitus ei ole välitön.
Backpropagationin haitat
Selkälevityksen haitat ovat:
- Taustavälitys voi olla herkkä meluisille tiedoille ja epäsäännöllisyydelle
- Tämän suorituskyky riippuu suuresti syötetiedoista
- Tarvitsee liikaa aikaa harjoitteluun
- Matriisipohjaisen menetelmän tarve jälkikasvulle mini-erän sijaan
Backpropagation-sovellukset
Sovellukset ovat
- Neuroverkko on koulutettu sanomaan jokaisen sanan ja lauseen kirjaimet
- Sitä käytetään puheentunnistus
- Sitä käytetään hahmo- ja kasvojentunnistuksen alalla
UKK
1). Miksi tarvitsemme lisääntymistä hermoverkoissa?
Tätä mekanismia käytetään tiettyyn tietojoukkoon liittyvän hermoverkon kouluttamiseen
2). Mikä on backpropage-algoritmin tavoite?
Tämän algoritmin tavoitteena on luoda koulutusmekanismi hermoverkoille sen varmistamiseksi, että verkko on koulutettu kartoittamaan tulot niiden sopiviin lähtöihin.
3). Mikä on oppimisnopeus hermoverkoissa?
Oppimisnopeus määritetään optimoinnin yhteydessä ja minimoimalla hermoverkon menetystoiminto. Se viittaa nopeuteen, jolla hermoverkko voi oppia uutta dataa ohittamalla vanhan datan.
4). Onko hermoverkko algoritmi?
Joo. Neuroverkot ovat sarja oppimisalgoritmeja tai -sääntöjä, jotka on suunniteltu tunnistamaan mallit.
5). Mikä on aktivointitoiminto hermoverkossa?
Neuroverkon aktivointitoiminto päättää, pitäisikö hermosolun aktivoida / laukaista vai ei, kokonaissumman perusteella.
Tässä artikkelissa, Backpropagation-käsite hermoverkkojen osa selitetään käyttämällä yksinkertaista kieltä lukijan ymmärtämiseksi. Tässä menetelmässä hermoverkkoja koulutetaan syntyvistä virheistä tullakseen omavaraisiksi ja käsittelemään monimutkaisia tilanteita. Neuroverkoilla on kyky oppia tarkasti esimerkin avulla.
