Kaj je nevronska mreža razmnoževanja: vrste in njene uporabe

Preizkusite Naš Instrument Za Odpravo Težav





Kot že ime pove, je razmnoževanje algoritem da nazaj širi napake iz izhodnih vozlišč v vhodna vozlišča. Zato se to preprosto imenuje 'povratno razširjanje napak'. Ta pristop je bil razvit iz analize človeških možganov. Prepoznavanje govora, prepoznavanje znakov, preverjanje podpisa, prepoznavanje človeškega obraza so nekatere zanimive aplikacije nevronskih mrež. Nevronske mreže gredo skozi nadzorovano učenje, vhodni vektor, ki gre skozi mrežo, proizvaja izhodni vektor. Ta izhodni vektor se preveri glede na želeni izhod. Če se rezultat ne ujema z izhodnim vektorjem, se ustvari poročilo o napaki. Na podlagi poročila o napaki se uteži prilagodijo tako, da dobimo želeni izhod.

Kaj je umetna nevronska mreža?

An Umetna nevronska mreža uporablja nadzorovano učno pravilo, da postane učinkovit in močan. Informacije v nevronskih omrežjih tečejo na dva različna načina. Predvsem takrat, ko se model usposablja ali uči in ko model deluje normalno - bodisi za testiranje bodisi za izvajanje katere koli naloge. Informacije v različnih oblikah se vnesejo v model skozi vhodne nevrone, sprožijo več plasti skritih nevronov in dosežejo izhodne nevrone, kar je znano kot povratna mreža.




Ker se vsi nevroni ne sprožijo hkrati, se nevroni, ki sprejemajo vhode z leve, pomnožijo z utežmi, ko potujejo skozi skrite plasti. Zdaj seštejte vse vhodne podatke vsakega nevrona in ko vsota preseže določeno mejno vrednost, bodo nevroni, ki so ostali tiho, sprožili in se povezali.

Umetna nevronska mreža se uči tako, da se uči iz tega, kar je storila narobe in naredi prav, kar je znano kot povratna informacija. Umetna nevronska omrežja s pomočjo povratnih informacij izvedo, kaj je prav in kaj narobe.



Kaj je razmnoževanje?

Opredelitev: Razmnoževanje je bistveni mehanizem, s katerim se nevronske mreže usposobijo. To je mehanizem, ki se uporablja za natančno prilagajanje uteži nevronske mreže (sicer v tem članku omenjeno kot model) glede na stopnjo napak, ustvarjeno v prejšnji ponovitvi. Podobno je kot messenger, ki modelu sporoča, ali je mreža naredila napako ali ne, takoj ko je napovedala.

Povratno razmnoževanje-nevronska mreža

povratno razmnoževanje-nevronska mreža

Razmnoževanje v nevronskih mrežah je približno prenos informacij in povezovanje teh informacij z napako, ki jo je ustvaril model, ko je bil ugan. Ta metoda skuša zmanjšati napako, ki se sicer imenuje funkcija izgube.


Kako deluje razmnoževanje - preprost algoritem

Razmnoževanje v globokem učenju je standardni pristop za usposabljanje umetnih nevronskih mrež. Način delovanja je ta - Na začetku, ko je nevronska mreža zasnovana, se naključne vrednosti dodelijo kot uteži. Uporabnik ni prepričan, ali so dodeljene vrednosti teže pravilne ali ustrezajo modelu. Kot rezultat, model prikaže vrednost, ki se razlikuje od dejanske ali pričakovane proizvodnje, kar je vrednost napake.

Da bi dobili ustrezen izhod z minimalno napako, je treba model usposobiti na ustreznem naboru podatkov ali parametrih in spremljati njegov napredek vsakič, ko napove. Nevronsko omrežje je povezano z napako, zato se ob spremembi parametrov napaka tudi spremeni. Pri povratnem razmnoževanju se za spremembo parametrov v modelu uporablja tehnika, znana kot pravilo delta ali gradientni spust.

Zgornji diagram prikazuje delovanje povratnega razmnoževanja in njegovo delovanje je podano spodaj.

  • „X“ na vhodih sega iz vnaprej povezane poti
  • „W“ se za modeliranje vhodnih podatkov uporabijo dejanske uteži. Vrednosti W so naključno dodeljene
  • Izhod za vsak nevron se izračuna s širjenjem posredovanja - vhodna plast, skrita plast in izhodna plast.
  • Napaka se izračuna na izhodih z uporabo enačbe Ponovno širjenje nazaj skozi izhodne in skrite plasti, uteži se prilagodijo, da se napaka zmanjša.

Spet razširite naprej, da izračunate izhod in napako. Če je napaka zmanjšana, se ta postopek konča ali pa se širi nazaj in prilagodi vrednosti teže.

Ta postopek se ponavlja, dokler se napaka ne zmanjša na minimum in se doseže želeni izhod.

Zakaj potrebujemo razmnoževanje?

To je mehanizem, ki se uporablja za usposabljanje nevronske mreže, povezane z določenim naborom podatkov. Nekateri od prednosti razmnoževanja so

  • Je preprost, hiter in enostaven za programiranje
  • Nastavljene so samo številke vnosa in noben drug parameter
  • Ni potrebe po predhodnem znanju o omrežju
  • Je prilagodljiv
  • Standardni pristop in deluje učinkovito
  • Uporabnik ne zahteva učenja posebnih funkcij

Vrste omrežja za razmnoževanje

Obstajata dve vrsti omrežij za razmnoževanje. Kategorizirano je spodaj:

Statično razmnoževanje

Statično razmnoževanje je ena vrsta omrežja, katere namen je izdelati preslikavo statičnega vhoda za statični izhod. Te vrste omrežij lahko rešujejo probleme statične klasifikacije, kot je optično prepoznavanje znakov (OCR).

Ponavljajoče se razmnoževanje

Ponavljajoče se razmnoževanje je druga vrsta omrežja, ki se uporablja pri učenju s fiksno točko. Aktivacije v ponavljajočem se razmnoževanju se podajajo naprej, dokler ne doseže fiksne vrednosti. Po tem se izračuna napaka in razširi nazaj. A programske opreme , NeuroSolutions lahko izvede ponavljajoče se razmnoževanje.

Ključne razlike: statično razmnoževanje ponuja takojšnje preslikavo, medtem ko preslikava ponavljajočega se razmnoževanja ni takojšnje.

Slabosti razmnoževanja

Slabosti razmnoževanja so:

  • Razmnoževanje je lahko občutljivo na hrupne podatke in nepravilnosti
  • Učinkovitost tega je močno odvisna od vhodnih podatkov
  • Potrebuje preveč časa za trening
  • Potreba po matrični metodi za razmnoževanje namesto mini serije

Uporabe razmnoževanja

Vloge so

  • Nevronska mreža je usposobljena za izgovarjanje vsake črke besede in stavka
  • Uporablja se na področju prepoznavanje govora
  • Uporablja se na področju prepoznavanja znakov in obrazov

Pogosta vprašanja

1). Zakaj potrebujemo razmnoževanje v nevronskih mrežah?

To je mehanizem, ki se uporablja za usposabljanje nevronske mreže, povezane z določenim naborom podatkov

2). Kaj je cilj algoritma povratnega širjenja?

Cilj tega algoritma je ustvariti mehanizem za usposabljanje nevronskih mrež, da se zagotovi usposobljenost mreže za preslikavo vhodov na ustrezne izhode.

3). Kakšna je stopnja učenja v nevronskih mrežah?

Hitrost učenja je definirana v kontekstu optimizacije in zmanjšanja funkcije izgube nevronske mreže. Nanaša se na hitrost, s katero se nevronska mreža lahko nauči novih podatkov s preglasitvijo starih podatkov.

4). Je nevronska mreža algoritem?

Da. Nevronske mreže so vrsta učnih algoritmov ali pravil, namenjenih prepoznavanju vzorcev.

5). Kaj je aktivacijska funkcija v nevronski mreži?

Aktivacijska funkcija nevronske mreže na podlagi skupne vsote odloči, ali naj se nevron aktivira / sproži ali ne.

V tem članku koncept razmnoževanja bralcev je razložen v preprostem jeziku, ki ga bralci razumejo. V tej metodi so nevronske mreže usposobljene iz napak, ki nastanejo, da postanejo samozadostne in obvladujejo zapletene situacije. Nevronske mreže se lahko natančno učijo s primerom.