Както подсказва името, обратното размножаване е алгоритъм че обратно разпространява грешките от изходните възли към входните възли. Следователно, той просто се нарича „разпространение на грешки назад“. Този подход е разработен от анализа на човешкия мозък. Разпознаване на реч, разпознаване на символи, проверка на подпис, разпознаване на човешко лице са някои от интересните приложения на невронните мрежи. Невронните мрежи преминават през контролирано обучение, входният вектор, преминаващ през мрежата, произвежда изходен вектор. Този изходен вектор се проверява спрямо желания изход. Ако резултатът не съвпада с изходния вектор, се генерира отчет за грешка. Въз основа на доклада за грешка, теглата се коригират, за да се получи желаният изход.
Какво е изкуствена невронна мрежа?
An Изкуствена невронна мрежа използва правило за контролирано обучение, за да стане ефективно и мощно. Информацията в невронните мрежи протича по два различни начина. Преди всичко, когато моделът се обучава или учи и когато моделът работи нормално - или за тестване, или за изпълнение на някаква задача. Информация в различни форми се подава в модела чрез входни неврони, като задейства няколко слоя скрити неврони и достига до изходните неврони, което е известно като мрежа за пренасочване.
Тъй като всички неврони не се задействат едновременно, невроните, които получават входовете отляво, се умножават с тежестите, докато пътуват през скрити слоеве. Сега съберете всички входове от всеки неврон и когато сумата надвиши определено прагово ниво, невроните, които са останали без звук, ще се задействат и ще се свържат.
Начинът, по който изкуствената невронна мрежа се учи е, че се учи от това, което е направил погрешно и прави правилното, и това е известно като обратна връзка. Изкуствените невронни мрежи използват обратна връзка, за да научат кое е правилно и грешно.
Какво представлява обратното размножаване?
Определение: Обратното разпространение е основен механизъм, чрез който невронните мрежи се обучават. Това е механизъм, използван за фина настройка на тежестите на невронна мрежа (иначе наричана модел в тази статия) по отношение на степента на грешки, получена в предишната итерация. Подобно е на пратеник, който казва на модела дали мрежата е направила грешка или не веднага щом е предсказал.
обратно разпространение-невронна мрежа
Обратното разпространение в невронни мрежи е свързано с предаване на информация и свързване на тази информация с грешката, генерирана от модела, когато е направено предположение. Този метод се стреми да намали грешката, която иначе се нарича функция на загубите.
Как работи обратното размножаване - опростен алгоритъм
Обратното разпространение в дълбокото обучение е стандартен подход за обучение на изкуствени невронни мрежи. Начинът, по който работи, е, че - Първоначално, когато се проектира невронна мрежа, случайните стойности се присвояват като тегла. Потребителят не е сигурен дали зададените стойности на теглото са правилни или отговарят на модела. В резултат на това моделът извежда стойността, която е различна от действителната или очакваната продукция, което е стойност на грешка.
За да получи подходящия изход с минимална грешка, моделът трябва да бъде обучен на подходящ набор от данни или параметри и да следи напредъка му всеки път, когато прогнозира. Невронната мрежа има връзка с грешката, така че, когато параметрите се променят, грешката също се променя. Обратното размножаване използва техника, известна като делта правило или градиентно спускане, за да промени параметрите в модела.
Горната диаграма показва работата на обратното размножаване и неговата работа е дадена по-долу.
- „X“ на входовете достигат от предварително свързания път
- ‘W’, реалните тегла се използват за моделиране на входа. Стойностите на W се разпределят на случаен принцип
- Изходът за всеки неврон се изчислява чрез препращане на разпространението - входния слой, скрития слой и изходния слой.
- Грешката се изчислява на изходите, като се използва уравнението Разпространение назад назад през изходни и скрити слоеве, теглата се коригират, за да се намали грешката.
Отново разпространете напред, за да изчислите изхода и грешката. Ако грешката е сведена до минимум, този процес приключва или се разпространява назад и коригира стойностите на теглото.
Този процес се повтаря, докато грешката се сведе до минимум и се получи желаният изход.
Защо се нуждаем от обратно размножаване?
Това е механизъм, използван за обучение на невронната мрежа, свързана с конкретния набор от данни. Някои от предимства на обратното размножаване са
- Той е прост, бърз и лесен за програмиране
- Настроени са само номера на входа, а не друг параметър
- Не е необходимо да имате предварителни познания за мрежата
- Той е гъвкав
- Стандартен подход и работи ефективно
- Не изисква потребителят да научи специални функции
Видове мрежа за обратно размножаване
Има два вида мрежи за обратно разпространение. Това е категоризирано по-долу:
Статично обратно размножаване
Статичното обратно разпространение е един вид мрежа, която има за цел да създаде картографиране на статичен вход за статичен изход. Този вид мрежи са способни да решават статични класификационни проблеми като оптично разпознаване на символи (OCR).
Повтарящо се размножаване
Повтарящото се обратно размножаване е друг вид мрежа, използвана при обучение с фиксирана точка. Активациите при повтарящо се обратно размножаване се подават напред, докато достигне фиксирана стойност. След това се изчислява грешка и се разпространява назад. A софтуер , NeuroSolutions има способността да извършва повтарящо се обратно размножаване.
Основните разлики: Статичното обратно размножаване предлага незабавно картографиране, докато картографирането на повтарящо се обратно разпространение не е незабавно.
Недостатъци на обратното размножаване
Недостатъците на обратното размножаване са:
- Обратното размножаване може да бъде чувствително към шумни данни и нередности
- Изпълнението на това зависи много от входните данни
- Нуждае се от прекалено много време за обучение
- Необходимостта от базиран на матрица метод за обратно размножаване вместо мини-партида
Приложения на обратното размножаване
Приложенията са
- Невронната мрежа е обучена да произнася всяка буква на дума и изречение
- Използва се в областта на гласово разпознаване
- Използва се в областта на разпознаването на персонажи и лица
Често задавани въпроси
1). Защо се нуждаем от обратно разпространение в невронни мрежи?
Това е механизъм, използван за обучение на невронната мрежа, свързана с конкретния набор от данни
2). Каква е целта на алгоритъма за обратно разпространение?
Целта на този алгоритъм е да създаде механизъм за обучение на невронни мрежи, за да се гарантира, че мрежата е обучена да картографира входовете към съответните им изходи.
3). Каква е скоростта на обучение в невронните мрежи?
Скоростта на обучение се определя в контекста на оптимизацията и минимизирането на функцията на загуба на невронна мрежа. Той се отнася до скоростта, с която невронната мрежа може да научи нови данни, като замени старите данни.
4). Невронната мрежа алгоритъм ли е?
Да. Невронните мрежи са поредица от учебни алгоритми или правила, предназначени да идентифицират моделите.
5). Каква е функцията за активиране в невронна мрежа?
Функцията за активиране на невронна мрежа решава дали невронът трябва да бъде активиран / задействан или не въз основа на общата сума.
В тази статия концепцията за обратно размножаване на невронните мрежи се обяснява с помощта на прост език, който читателят да разбере. При този метод невронните мрежи се обучават от генерирани грешки, за да станат самодостатъчни и да се справят със сложни ситуации. Невронните мрежи имат способността да учат точно с пример.
