Nagu nimest järeldada võib, on paljundamine algoritm see tagasi levitab vead väljundsõlmedest sisendsõlmedesse. Seetõttu nimetatakse seda lihtsalt “vigade levitamiseks tagasi”. See lähenemisviis töötati välja inimese aju analüüsi põhjal. Kõnetuvastus, märkide tuvastamine, allkirja kontrollimine, inimese ja näo tuvastamine on mõned närvivõrkude huvitavad rakendused. Närvivõrgud läbivad juhendatud õppimise, võrku läbiv sisendvektor tekitab väljundvektori. Seda väljundvektorit kontrollitakse soovitud väljundi suhtes. Kui tulemus ei ühti väljundvektoriga, luuakse veateade. Veaaruande põhjal kohandatakse kaalu soovitud väljundi saamiseks.
Mis on kunstlik närvivõrk?
An Kunstnärvivõrk kasutab tõhusaks ja võimsaks järelevalve all õppimise reeglit. Närvivõrkudes olev teave liigub kahel erineval viisil. Peamiselt siis, kui mudelit koolitatakse või õpitakse ning kui mudel töötab normaalselt - kas testimiseks või mis tahes ülesande täitmiseks. Erinevas vormis olev teave sisestatakse mudelisse sisendneuronite kaudu, käivitades mitu varjatud neuronikihti ja jõudes väljundneuroniteni, mis on tuntud kui edasivõrk.
Kuna kõik neuronid ei käivitu samal ajal, korrutatakse vasakult sisendeid vastu võtvad neuronid varjatud kihtide kaudu liikudes kaaludega. Lisage nüüd kõigi neuronite kõik sisendid ja kui summa ületab teatud künnise taseme, käivitavad vaikseks jäänud neuronid ja saavad ühenduse.
Tehisnärvivõrgu õppimisviis on see, et ta õpib sellest, mida ta oli valesti teinud ja teeb õigesti, ja seda nimetatakse tagasisidena. Kunstnärvivõrgud kasutavad tagasisidet, et teada saada, mis on õige ja vale.
Mis on backpropagation?
Definitsioon: Tagasi paljundamine on oluline mehhanism, mille abil närvivõrgud saavad koolituse. See on mehhanism, mida kasutatakse närvivõrgu kaalu täpsustamiseks (mida käesolevas artiklis nimetatakse muidu mudeliks) seoses eelmises iteratsioonis toodetud veamääraga. See sarnaneb messengeriga, kes ütleb mudelile, kas võrk tegi vea või mitte niipea, kui see ennustas.
backpropagation-neural-network
Närvivõrkude paljunemine on seotud edasikandumine teabe seostamine mudeli genereeritud veaga arvamise ajal. Selle meetodiga püütakse vähendada viga, mida muidu nimetatakse kaotusfunktsiooniks.
Kuidas backpropagation töötab - lihtne algoritm
Tehisnärvivõrkude koolitamiseks on tavapärane lähenemine süvendatud õppes tavalisele lähenemisele. See töötab nii: - Esialgu, kui kavandatakse närvivõrku, määratakse kaaludeks juhuslikud väärtused. Kasutaja pole kindel, kas määratud kaalu väärtused on õiged või sobivad mudeliga. Selle tulemusena väljastab mudel tegelikust või eeldatavast väljundist erineva väärtuse, mis on vea väärtus.
Sobiva väljundi saamiseks minimaalse veaga tuleks mudel välja õpetada asjakohasele andmekogumile või parameetritele ning jälgida selle arengut iga kord, kui see ennustab. Närvivõrk on veaga seotud, seega alati, kui parameetrid muutuvad, muutub ka viga. Tagapaljunduses kasutatakse mudeli parameetrite muutmiseks tehnikat, mida tuntakse delta reegli või gradiendi laskumisena.
Ülaltoodud diagramm näitab backpropage töötamist ja selle töö on toodud allpool.
- Sisenditel olev „X” ulatub eelnevalt ühendatud teelt
- ‘W’, sisendi modelleerimiseks kasutatakse tegelikke kaalusid. W väärtused jaotatakse juhuslikult
- Iga neuroni väljund arvutatakse edasi levimise kaudu - sisendkiht, peidetud kiht ja väljundkiht.
- Viga arvutatakse väljundites, kasutades võrrandit Prognoosimine uuesti väljundi ja peidetud kihtide kaudu, vea vähendamiseks reguleeritakse kaalu.
Jätkake väljundi ja vea arvutamiseks uuesti edasi. Kui viga on viidud miinimumini, siis see protsess lõpeb või muidu levib tahapoole ja reguleerib kaalu väärtusi.
See protsess kordub seni, kuni viga väheneb miinimumini ja saadakse soovitud väljund.
Miks me vajame paljundamist?
See on mehhanism, mida kasutatakse konkreetse andmekogumiga seotud närvivõrgu treenimiseks. Mõned Backpropagation eelised on
- See on lihtne, kiire ja hõlpsasti programmeeritav
- Häälestatakse ainult sisendi numbrid, mitte muud parameetrid
- Pole vaja omada eelteadmisi võrgu kohta
- See on paindlik
- Standardne lähenemine ja töötab tõhusalt
- See ei nõua, et kasutaja õpiks erifunktsioone
Backpropagation Network tüübid
Paljundamise võrke on kahte tüüpi. See on liigitatud järgmiselt:
Staatiline paljundamine
Staatiline järelkasv on üks tüüpi võrke, mille eesmärk on staatilise väljundi jaoks staatilise sisendi kaardistamine. Seda tüüpi võrgud on võimelised lahendama staatilisi klassifikatsiooniprobleeme nagu optiline märkide tuvastamine (OCR).
Korduv seljakasvatus
Korduv backpropagation on teist tüüpi võrk, mida kasutatakse fikseeritud punkti õppimisel. Korduva backpropage'i aktivatsioonid suunatakse edasi, kuni see saavutab kindla väärtuse. Pärast seda arvutatakse viga ja levitatakse tagasi. A tarkvara , NeuroSolutions on võimeline teostama korduvat backpropagation.
Peamised erinevused: staatiline backpropagation pakub kohest kaardistamist, samas kui korduva backpropagation'i kaardistamine ei ole kohe.
Paljundamise puudused
Paljundamise puudused on:
- Võimalik, et seljaosa on tundlik mürarikaste andmete ja ebakorrapärasuse suhtes
- Selle toimivus sõltub suuresti sisendandmetest
- Vajab treenimiseks liiga palju aega
- Vajadus maatriksipõhise meetodi järele paljundamiseks minipartii asemel
Backpropagation rakendused
Rakendused on
- Närvivõrk on koolitatud sõna ja lause iga tähe hääldamiseks
- Seda kasutatakse valdkonnas kõnetuvastus
- Seda kasutatakse iseloomu ja näotuvastuse valdkonnas
KKK
1). Miks vajame närvivõrkudes paljundamist?
See on mehhanism, mida kasutatakse konkreetse andmekogumiga seotud närvivõrgu treenimiseks
2). Mis on backpropagation algoritmi eesmärk?
Selle algoritmi eesmärk on luua närvivõrkude koolitusmehhanism, et tagada võrgu väljaõpe sisendite kaardistamiseks nende vastavate väljunditeni.
3). Kui suur on närvivõrkude õppimise määr?
Õppimiskiirus on määratletud närvivõrgu kadumise funktsiooni optimeerimise ja minimeerimise kontekstis. See viitab kiirusele, millega närvivõrk saab uusi andmeid õppida, ületades vanad andmed.
4). Kas närvivõrk on algoritm?
Jah. Närvivõrgud on rida õppimisalgoritme või -reegleid, mis on loodud mustrite tuvastamiseks.
5). Mis on närvivõrgu aktiveerimisfunktsioon?
Närvivõrgu aktiveerimisfunktsioon otsustab, kas neuron tuleks kogu summa põhjal aktiveerida / käivitada või mitte.
Selles artiklis Backpropagation mõiste närvivõrkude osa selgitatakse lihtsa keele abil, et lugeja sellest aru saaks. Selles meetodis õpetatakse närvivõrke tekkivatest vigadest iseseisvaks muutumiseks ja keeruliste olukordade lahendamiseks. Närvivõrkudel on võimalus näitega täpselt õppida.
