Na kratko, ne morete izvajati širjenja nazaj, če nimate ciljne funkcije. Ne morete imeti ciljne funkcije, če nimate merila med predvideno vrednostjo in označeno vrednostjo (dejanski ali podatki o usposabljanju). Če želite torej doseči "nenadzorovano učenje", boste morda izgubili sposobnost izračunavanja naklona.
Kakšne so omejitve povratnega razmnoževanja?
Pomanjkljivosti algoritma povratnega širjenja:
Zanaša se na vnos za izvedbo določene težave. Občutljiv na zapletene/hrupne podatke. Potrebuje izpeljanke aktivacijskih funkcij za čas načrtovanja omrežja.
Kako popraviš širjenje nazaj?
Proces povratnega širjenja v globokem nevronskem omrežju
- Vnos vrednosti. X1=0,05. …
- Začetna teža. W1=0,15 w5=0,40. …
- Vrednosti pristranskosti. b1=0,35 b2=0,60.
- Cilne vrednosti. T1=0,01. …
- Naprej. Da bi našli vrednost H1, najprej pomnožimo vhodno vrednost iz uteži kot. …
- Prehod nazaj na izhodni plasti. …
- Nazaj na skriti sloj.
Ali je povratno širjenje učinkovito?
Povratno razmnoževanje je učinkovito, zaradi česar je izvedljivo trenirati večplastna omrežja, ki vsebujejo veliko nevronov, hkrati pa posodabljati uteži za zmanjšanje izgube.
Kakšen problem rešuje širjenje nazaj pri delu z nevronskimi omrežji?
Pri prilagajanju nevronske mreže širjenje nazaj izračuna gradientfunkcija izgube glede na uteži omrežja za en sam vhodno-izhodni primer in to naredi učinkovito, za razliko od naivnega neposrednega izračuna gradienta glede na vsako težo posebej.
