Као што назив говори, повратно размножавање је алгоритам тај повратак шири грешке из излазних чворова у улазне чворове. Стога се то једноставно назива „уназадње ширење грешака“. Овај приступ је развијен на основу анализе људског мозга. Препознавање говора, препознавање карактера, верификација потписа, препознавање људског лица неке су од занимљивих примена неуронских мрежа. Неуронске мреже пролазе кроз надгледано учење, улазни вектор који пролази мрежом ствара излазни вектор. Овај излазни вектор се верификује у односу на жељени излаз. Ако се резултат не подудара са излазним вектором, генерише се извештај о грешци. На основу извештаја о грешци, пондери се прилагођавају да би се добио жељени излаз.
Шта је вештачка неуронска мрежа?
Ан Вештачка неуронска мрежа користи надзирано правило учења да би постало ефикасно и моћно. Информације у неуронским мрежама теку на два различита начина. Првенствено, када се модел обучава или учи и када модел нормално функционише - било за тестирање или за извршење било ког задатка. Информације у различитим облицима доводе се у модел кроз улазне неуроне, покрећући неколико слојева скривених неурона и стижу до излазних неурона, што је познато као мрежа за прослеђивање.
Како се сви неурони не активирају истовремено, неурони који примају улазе са леве стране множе се са тежинама док путују кроз скривене слојеве. Сад, саберите све улазе са сваког неурона и када збир пређе одређени ниво прага, неурони који су остали нечујни покренуће се и повезати.
Вештачка неуронска мрежа учи на начин да учи на ономе што је учинила погрешно и чини добро, а то је познато као повратна информација. Вештачке неуронске мреже користе повратне информације да би сазнале шта је исправно, а шта погрешно.
Шта је повратно размножавање?
Дефиниција: Повратно размножавање је суштински механизам којим се неуронске мреже обучавају. То је механизам који се користи за фино подешавање пондера неуронске мреже (иначе се у овом чланку назива моделом) у односу на стопу грешака произведену у претходној итерацији. Слично је гласнику који говори моделу да ли је мрежа погрешила или не чим је предвидела.
повратно ширење-неуронска мрежа
Повратно ширење у неуронским мрежама је око преношење информација и повезивање ових информација са грешком коју је генерисао модел када је направљена претпоставка. Овом методом се покушава смањити грешка, која се иначе назива функцијом губитка.
Како функционише повратно размножавање - једноставни алгоритам
Повратно ширење у дубоком учењу је стандардни приступ обуци вештачких неуронских мрежа. Начин на који то функционише је - у почетку када се пројектује неуронска мрежа, случајне вредности се додељују као тежине. Корисник није сигуран да ли су додељене вредности тежине тачне или одговарају моделу. Као резултат, модел даје вредност која се разликује од стварног или очекиваног резултата, што је вредност грешке.
Да би се добио одговарајући излаз са минималном грешком, модел треба обучити на одговарајућем скупу података или параметрима и пратити његов напредак сваки пут када предвиђа. Неуронска мрежа има везу са грешком, па се, кад се параметри промене, грешка такође мења. Повратно ширење користи технику познату као делта правило или градијентни спуст за промену параметара у моделу.
Горњи дијаграм приказује рад повратног размножавања и његов рад је дат у наставку.
- „Кс“ на улазима допире са унапред повезане путање
- „В“, стварне тежине се користе за моделирање уноса. Вредности В се додељују насумично
- Излаз за сваки неурон израчунава се ширењем прослеђивања - улазни слој, скривени слој и излазни слој.
- Грешка се израчунава на излазима користећи једначину Поновно ширење уназад кроз излазне и скривене слојеве, пондери се прилагођавају како би се смањила грешка.
Поново се ширите унапред да бисте израчунали излаз и грешку. Ако се грешка сведе на минимум, овај поступак се завршава или се шири уназад и прилагођава вредности тежине.
Овај процес се понавља све док се грешка не сведе на минимум и не добије жељени излаз.
Зашто нам је потребно размножавање?
Ово је механизам који се користи за обуку неуронске мреже која се односи на одређени скуп података. Неки од предности повратног размножавања су
- Једноставно је, брзо и лако програмирати
- Подешавају се само бројеви улаза, а не било који други параметар
- Не треба имати претходно знање о мрежи
- Флексибилан је
- Стандардни приступ и ефикасно ради
- Не захтева да корисник научи посебне функције
Типови мреже за размножавање
Постоје две врсте мрежа за размножавање. Категоризовано је као доле:
Статично повратно размножавање
Статичко повратно размножавање је једна врста мреже која има за циљ стварање мапе статичког улаза за статички излаз. Ове врсте мрежа способне су да реше проблеме статичке класификације попут оптичког препознавања знакова (ОЦР).
Поновно размножавање
Понављајуће повратно размножавање је друга врста мреже која се користи у учењу са фиксном тачком. Активације у повратном размножавању се преносе унапред док не постигне фиксну вредност. Након тога, грешка се израчунава и шири уназад. А. софтвер , НеуроСолутионс има могућност поновног повратног размножавања.
Кључне разлике: Статичко повратно размножавање нуди тренутно мапирање, док мапирање повратног размножавања није тренутно.
Мане повратног размножавања
Мане повратног размножавања су:
- Размножавање може бити осетљиво на бучне податке и неправилности
- Перформансе овога се у великој мери ослањају на улазне податке
- Потребно је превише времена за тренинг
- Потреба за методом на основу матрице за повратно размножавање уместо мини серије
Примене повратног размножавања
Пријаве су
- Неуронска мрежа је обучена за изговарање сваког слова речи и реченице
- Користи се у пољу препознавање говора
- Користи се у пољу препознавања ликова и лица
ФАК
1). Зашто нам је потребно размножавање у неуронским мрежама?
Ово је механизам који се користи за обуку неуронске мреже која се односи на одређени скуп података
2). Који је циљ алгоритма повратног ширења?
Циљ овог алгоритма је створити механизам обуке за неуронске мреже како би се осигурало да је мрежа оспособљена за мапирање улаза на њихове одговарајуће излазе.
3). Колика је стопа учења у неуронским мрежама?
Стопа учења дефинисана је у контексту оптимизације и минимизирања функције губитака неуронске мреже. Односи се на брзину којом неуронска мрежа може научити нове податке замењујући старе податке.
4). Да ли је неуронска мрежа алгоритам?
Да. Неуронске мреже су низ алгоритама или правила учења који су дизајнирани да идентификују обрасце.
5). Која је функција активације у неуронској мрежи?
Функција активације неуронске мреже одлучује да ли неурон треба активирати / активирати или не на основу укупне суме.
У овом чланку, концепт повратног размножавања неуронских мрежа објашњава се једноставним језиком који читалац разуме. У овој методи, неуронске мреже се обучавају из генерисаних грешака да постану саме себи довољне и баве се сложеним ситуацијама. Неуронске мреже имају могућност тачног учења на примеру.
