Kā norāda nosaukums, pavairošana ir algoritms ka aizmugure izplata kļūdas no izvades mezgliem uz ievades mezgliem. Tāpēc to vienkārši sauc par “kļūdu izplatīšanos atpakaļ”. Šī pieeja tika izstrādāta, analizējot cilvēka smadzenes. Runas atpazīšana, rakstzīmju atpazīšana, parakstu pārbaude, cilvēka un sejas atpazīšana ir daži no interesantajiem neironu tīklu pielietojumiem. Neironu tīkli iet caur uzraudzītu mācīšanos, caur tīklu izejošais vektors rada izvades vektoru. Šis izvades vektors tiek pārbaudīts pret vēlamo izeju. Ja rezultāts nesakrīt ar izvades vektoru, tiek izveidots kļūdas pārskats. Pamatojoties uz kļūdu ziņojumu, svari tiek pielāgoti, lai iegūtu vēlamo rezultātu.
Kas ir mākslīgais neironu tīkls?
An Mākslīgais neironu tīkls izmanto uzraudzītas mācīšanās kārtību, lai kļūtu efektīva un spēcīga. Informācija nervu tīklos plūst divos dažādos veidos. Pirmkārt, kad modelis tiek apmācīts vai mācās un kad modelis darbojas normāli - vai nu testēšanai, vai arī to izmanto jebkura uzdevuma veikšanai. Informācija dažādās formās tiek ievadīta modelī, izmantojot ievades neironus, izraisot vairākus slēpto neironu slāņus un sasniedzot izejas neironus, kas ir pazīstams kā padeves tīkls.
Tā kā visi neironi vienlaicīgi neizdodas, neironi, kas saņem ieejas no kreisās puses, tiek pārvietoti ar svariem, kad tie pārvietojas pa slēptajiem slāņiem. Tagad saskaitiet visus ievadus no katra neirona un, kad summa pārsniedz noteiktu sliekšņa līmeni, klusie neironi aktivizēsies un savienosies.
Mākslīgais neironu tīkls mācās, ka tas mācās no tā, ko bija darījis nepareizi un rīkojas pareizi, un to sauc par atgriezenisko saiti. Mākslīgie neironu tīkli izmanto atgriezenisko saiti, lai uzzinātu, kas ir pareizi un nepareizi.
Kas ir Backpropagation?
Definīcija: Atbalsts ir būtisks mehānisms, ar kura palīdzību nervu tīkli tiek apmācīti. Tas ir mehānisms, ko izmanto, lai precīzi noregulētu neironu tīkla svaru (šajā rakstā citādi dēvēts par modeli) attiecībā uz kļūdu līmeni, kas iegūts iepriekšējā atkārtojumā. Tas ir līdzīgi kā kurjers, kurš paziņo modelim, ja tīkls ir kļūdījies, vai nav izdarījis, tiklīdz tas paredzēja.
backpropagation-neironu tīkls
Neironu tīklu pavairošana ir saistīta ar pārnešana informācijas saistīšana ar modeļa radīto kļūdu, kad tika izdarīts minējums. Šī metode cenšas samazināt kļūdu, kas citādi tiek dēvēta par zaudējumu funkciju.
Kā darbojas pavairošana - vienkāršs algoritms
Mācīšanās ar aizmuguri ir standarta pieeja mākslīgo neironu tīklu apmācībai. Tas darbojas šādi: Sākotnēji, kad tiek projektēts neironu tīkls, nejaušības vērtības tiek piešķirtas kā svars. Lietotājs nav pārliecināts, vai piešķirtās svara vērtības ir pareizas vai atbilst modelim. Tā rezultātā modelis izsniedz vērtību, kas atšķiras no faktiskās vai paredzamās izejas, kas ir kļūdas vērtība.
Lai iegūtu atbilstošu rezultātu ar minimālu kļūdu, modelis ir jāapmāca uz atbilstošo datu kopu vai parametriem un jāuzrauga tā progress katru reizi, kad tas paredz. Neironu tīklam ir saistība ar kļūdu, tādējādi, mainoties parametriem, mainās arī kļūda. Atpakaļpopulācija izmanto tehniku, kas pazīstama kā delta kārtula vai gradienta nolaišanās, lai mainītu modeļa parametrus.
Iepriekš sniegtā diagramma parāda aizmugurējā pavairošanas darbību, un tās darbība ir dota zemāk.
- ‘X’ pie ieejām sniedzas no iepriekš savienotā ceļa
- ‘W’, ievades modelēšanai tiek izmantoti reālie svari. W vērtības tiek nejauši sadalītas
- Katra neirona izlaidi aprēķina, izmantojot izplatīšanas virzienu - ievades slānis, slēptais slānis un izvades slānis.
- Kļūda tiek aprēķināta pie izejām, izmantojot vienādojumu, atkal virzoties atpakaļ, izmantojot izejas un slēptos slāņus, svari tiek pielāgoti, lai samazinātu kļūdu.
Atkal virzieties uz priekšu, lai aprēķinātu rezultātu un kļūdu. Ja kļūda tiek samazināta līdz minimumam, šis process beidzas vai arī virzās atpakaļ un pielāgo svara vērtības.
Šis process atkārtojas, līdz kļūda samazinās līdz minimumam un tiek iegūta vēlamā izeja.
Kāpēc mums ir nepieciešama pavairošana?
Tas ir mehānisms, ko izmanto, lai apmācītu neironu tīklu, kas saistīts ar konkrēto datu kopu. Daži no Backpropagation priekšrocības ir
- Tas ir vienkārši, ātri un viegli programmējams
- Tiek noregulēti tikai ievades numuri, nevis citi parametri
- Nav nepieciešamas iepriekšējas zināšanas par tīklu
- Tas ir elastīgs
- Standarta pieeja un darbojas efektīvi
- Tas neprasa, lai lietotājs apgūtu īpašas funkcijas
Backpropagation tīkla veidi
Ir divu veidu pavairošanas tīkli. Tas ir klasificēts šādi:
Statiskā pavairošana
Statiskā pavairošana ir viena veida tīkls, kura mērķis ir izveidot statiskās ievades kartējumu statiskai izejai. Šāda veida tīkli spēj atrisināt statiskas klasifikācijas problēmas, piemēram, optisko rakstzīmju atpazīšanu (OCR).
Atkārtota pavairošana
Atkārtota pavairošana ir vēl viens tīkla veids, ko izmanto fiksēto punktu mācībās. Aktivitātes atkārtotā aizmugurējā pavairošanā tiek virzītas uz priekšu, līdz tā sasniedz noteiktu vērtību. Pēc tam tiek aprēķināta un izplatīta kļūda atpakaļ. A programmatūru , NeuroSolutions spēj veikt atkārtotu aizmugurējo pavairošanu.
Galvenās atšķirības: statiskā aizmugurējā pavairošana piedāvā tūlītēju kartēšanu, savukārt atkārtotas atkārtotas izplatīšanās kartēšana nav tūlītēja.
Backpropagation trūkumi
Pārpopulācijas trūkumi ir:
- Iespējams, ka pavairošana ir jutīga pret trokšņainiem datiem un pārkāpumiem
- Šī veiktspēja ir ļoti atkarīga no ievades datiem
- Nepieciešams pārmērīgs laiks apmācībai
- Nepieciešamība pēc matricas balstītas pavairošanas metodes, nevis mini partijas
Backpropagation pielietojumi
Pieteikumi ir
- Neironu tīkls ir apmācīts izrunāt katru vārda un teikuma burtu
- To lieto runas atpazīšana
- To lieto raksturu un sejas atpazīšanas jomā
Bieži uzdotie jautājumi
1). Kāpēc mums ir nepieciešama pavairošana neironu tīklos?
Tas ir mehānisms, ko izmanto, lai apmācītu neironu tīklu, kas saistīts ar konkrēto datu kopu
2). Kāds ir backpropagation algoritma mērķis?
Šī algoritma mērķis ir izveidot apmācības mehānismu neironu tīkliem, lai nodrošinātu, ka tīkls ir apmācīts, lai iezīmētu izejmateriālu atbilstošajiem rezultātiem.
3). Kāds ir mācīšanās ātrums neironu tīklos?
Mācīšanās ātrums tiek definēts neironu tīkla optimizācijas un samazināšanas funkcijas samazināšanas kontekstā. Tas attiecas uz ātrumu, kādā neironu tīkls var iemācīties jaunus datus, ignorējot vecos datus.
4). Vai neironu tīkls ir algoritms?
Jā. Neironu tīkli ir virkne mācību algoritmu vai noteikumu, kas paredzēti modeļu identificēšanai.
5). Kāda ir aktivizēšanas funkcija neironu tīklā?
Neironu tīkla aktivizācijas funkcija izlemj, vai neirons ir jāaktivizē / jāiedarbina vai nē, pamatojoties uz kopējo summu.
Šajā rakstā Backpropagation jēdziens nervu tīklu skaidrojums tiek skaidrots, izmantojot vienkāršu valodu, lai lasītājs to saprastu. Šajā metodē neironu tīkli tiek apmācīti no radītajām kļūdām, lai kļūtu pašpietiekami un tiktu galā ar sarežģītām situācijām. Neironu tīkliem ir iespēja precīzi mācīties, izmantojot piemēru.
