Kao što naziv govori, povratno razmnožavanje je algoritam taj povratak širi pogreške s izlaznih čvorova na ulazne čvorove. Stoga se to jednostavno naziva 'unatražno širenje pogrešaka'. Ovaj pristup razvijen je iz analize ljudskog mozga. Prepoznavanje govora, prepoznavanje znakova, provjera potpisa, prepoznavanje ljudskog lica neke su od zanimljivih primjena neuronskih mreža. Neuronske mreže prolaze kroz nadzirano učenje, ulazni vektor koji prolazi mrežom stvara izlazni vektor. Ovaj izlazni vektor je verificiran u odnosu na željeni izlaz. Ako se rezultat ne podudara s izlaznim vektorom, generira se izvješće o pogrešci. Na temelju izvješća o pogrešci, ponderi se prilagođavaju kako bi se dobio željeni izlaz.
Što je umjetna neuronska mreža?
An Umjetna neuronska mreža koristi nadzirano pravilo učenja kako bi postalo učinkovito i moćno. Informacije u neuronskim mrežama teku na dva različita načina. Prvenstveno, kada se model obučava ili uči i kada model funkcionira normalno - bilo za testiranje ili za izvršavanje bilo kojeg zadatka. Informacije u različitim oblicima dovode se u model kroz ulazne neurone, pokrećući nekoliko slojeva skrivenih neurona i dosežu izlazne neurone, što je poznato kao mreža za prosljeđivanje.
Kako se svi neuroni ne aktiviraju istovremeno, neuroni koji primaju ulaze s lijeve strane množe se s težinama dok putuju kroz skrivene slojeve. Sad zbrojite sve ulaze sa svakog neurona i kad zbroj prijeđe određenu razinu praga, neuroni koji su ostali nijemi aktivirat će se i povezati.
Umjetna neuronska mreža uči na način da uči na onome što je učinila krivo i čini dobro, a to je poznato kao povratna informacija. Umjetne neuronske mreže koriste povratne informacije kako bi naučile što je ispravno, a što pogrešno.
Što je povratno razmnožavanje?
Definicija: Povratno razmnožavanje važan je mehanizam kojim se neuronske mreže osposobljavaju. To je mehanizam koji se koristi za fino podešavanje težina neuronske mreže (inače u ovom članku nazivano modelom) s obzirom na stopu pogrešaka proizvedenu u prethodnoj iteraciji. Slično je glasniku koji modelu govori je li mreža pogriješila ili nije čim je predvidjela.
povratno širenje-neuronska mreža
Povratno širenje u neuronskim mrežama govori o prijenos informacija i povezivanje tih podataka s pogreškom koju je generirao model prilikom nagađanja. Ovom se metodom želi smanjiti pogreška, koja se inače naziva funkcijom gubitka.
Kako djeluje povratno razmnožavanje - jednostavni algoritam
Povratno širenje u dubokom učenju standardni je pristup treniranju umjetnih neuronskih mreža. Način na koji to funkcionira je - u početku kada se projektira neuronska mreža, slučajne vrijednosti se dodjeljuju kao težine. Korisnik nije siguran jesu li dodijeljene vrijednosti težine točne ili odgovaraju modelu. Kao rezultat, model daje vrijednost koja se razlikuje od stvarnog ili očekivanog rezultata, što je vrijednost pogreške.
Da bi se dobio odgovarajući izlaz s minimalnom pogreškom, model bi trebao biti obučen na odgovarajućem skupu podataka ili parametara i pratiti njegov napredak svaki put kada predviđa. Neuronska mreža ima odnos s pogreškom, pa se, kad se parametri promijene, pogreška također mijenja. Povratno razmnožavanje koristi tehniku poznatu kao delta pravilo ili gradijentni spust za promjenu parametara u modelu.
Gornji dijagram prikazuje rad povratnog razmnožavanja i njegov rad je dan u nastavku.
- ‘X’ na ulazima dopire s unaprijed povezane staze
- ‘W’, stvarne težine koriste se za modeliranje ulaznih podataka. Vrijednosti W se nasumično dodjeljuju
- Izlaz za svaki neuron izračunava se širenjem prosljeđivanja - ulazni sloj, skriveni sloj i izlazni sloj.
- Pogreška se izračunava na izlazima pomoću jednadžbe Ponovno širenje unatrag kroz izlazne i skrivene slojeve, ponderi se prilagođavaju kako bi se pogreška smanjila.
Opet se širite prema naprijed za izračunavanje rezultata i pogreške. Ako je pogreška svedena na minimum, ovaj postupak završava ili se širi unatrag i prilagođava vrijednosti težine.
Ovaj se postupak ponavlja sve dok se pogreška ne smanji na minimum i ne dobije željeni izlaz.
Zašto nam treba povratno razmnožavanje?
Ovo je mehanizam koji se koristi za treniranje neuronske mreže koja se odnosi na određeni skup podataka. Neki od prednosti povratnog razmnožavanja jesu
- Jednostavno je, brzo i lako programirati
- Podešavaju se samo brojevi ulaza, a ne bilo koji drugi parametar
- Ne trebate imati predznanje o mreži
- Fleksibilan je
- Standardni pristup i djeluje učinkovito
- Ne zahtijeva da korisnik nauči posebne funkcije
Vrste mreže za razmnožavanje
Postoje dvije vrste mreža za razmnožavanje. Kategorizirana je kao u nastavku:
Statičko povratno razmnožavanje
Statičko povratno razmnožavanje jedna je vrsta mreže koja ima za cilj stvaranje mape statičkog ulaza za statički izlaz. Te vrste mreža sposobne su riješiti probleme statičke klasifikacije poput optičkog prepoznavanja znakova (OCR).
Ponavljajuće povratno razmnožavanje
Ponavljajuće povratno razmnožavanje je druga vrsta mreže koja se koristi u učenju s fiksnom točkom. Aktivacije u ponovljenom povratnom razmnožavanju prenose se naprijed dok ne postigne fiksnu vrijednost. Nakon toga izračunava se pogreška i širi unatrag. A softver , NeuroSolutions ima mogućnost ponovnog povratnog razmnožavanja.
Ključne razlike: Statičko povratno razmnožavanje nudi trenutno mapiranje, dok mapiranje povratnog razmnožavanja nije trenutno.
Mane povratnog razmnožavanja
Mane povratnog razmnožavanja su:
- Povratno razmnožavanje može biti osjetljivo na bučne podatke i nepravilnosti
- Izvedba ovoga uvelike se oslanja na ulazne podatke
- Potrebno je pretjerano vrijeme za trening
- Potreba za matričnom metodom za povratno razmnožavanje umjesto mini-serije
Primjene povratnog razmnožavanja
Prijave su
- Neuronska mreža osposobljena je za izricanje svakog slova riječi i rečenice
- Koristi se u polju prepoznavanje govora
- Koristi se na polju prepoznavanja likova i lica
Najčešća pitanja
1). Zašto nam je potrebno razmnožavanje u neuronskim mrežama?
Ovo je mehanizam koji se koristi za treniranje neuronske mreže koja se odnosi na određeni skup podataka
2). Koji je cilj algoritma povratnog širenja?
Cilj ovog algoritma je stvoriti mehanizam treninga za neuronske mreže kako bi se osiguralo da je mreža osposobljena za mapiranje ulaza na njihove odgovarajuće izlaze.
3). Kolika je stopa učenja u neuronskim mrežama?
Stopa učenja definirana je u kontekstu optimizacije i minimiziranja funkcije gubitka neuronske mreže. Odnosi se na brzinu kojom neuronska mreža može naučiti nove podatke zamjenom starih podataka.
4). Je li neuronska mreža algoritam?
Da. Neuronske mreže su niz algoritama ili pravila učenja koji su dizajnirani da identificiraju obrasce.
5). Koja je funkcija aktivacije u neuronskoj mreži?
Funkcija aktivacije neuronske mreže odlučuje treba li neuron aktivirati / aktivirati ili ne na temelju ukupnog zbroja.
U ovom članku, koncept povratnog razmnožavanja neuronskih mreža objašnjava se jednostavnim jezikom koji čitatelj može razumjeti. U ovoj se metodi neuronske mreže uvježbavaju iz generiranih pogrešaka da postanu samodostatne i rješavaju složene situacije. Neuronske mreže imaju mogućnost preciznog učenja na primjeru.
