Lyhyesti sanottuna, et voi tehdä takaisinlisäystä, jos sinulla ei ole tavoitefunktiota. Sinulla ei voi olla tavoitefunktiota, jos sinulla ei ole mittaa ennustetun arvon ja nimetyn (todelliset tai harjoitustiedot) arvon välillä. Joten saavuttaaksesi "ohjaamattoman oppimisen", saatat jättää kyvyn laskea gradientti.
Mitkä ovat takaisin leviämisen rajoitukset?
Takaisin leviämisalgoritmin haitat:
Se perustuu syötteeseen suorittaakseen tietyn ongelman. Herkkä monimutkaisille/meluisille tiedoille. Se tarvitsee aktivointifunktioiden johdannaiset verkon suunnitteluaikaa varten.
Miten korjaat takaisin leviämisen?
Backpropagation Process in Deep Neural Network
- Syötä arvot. X1=0,05. …
- Alkupaino. W1=0,15 w5=0,40. …
- Bias Values. b1=0,35 b2=0,60.
- Tavoitearvot. T1=0,01. …
- Eteenpäin Pass. Löytääksemme H1:n arvon kerromme ensin syötetyn arvon painoista as. …
- Taaksepäin siirto tuloskerroksessa. …
- Taaksepäin siirtyminen piilotasolla.
Onko backpropagation tehokas?
Backpropagation on tehokas, mikä tekee mahdolliseksi kouluttaa monia hermosoluja sisältäviä monikerroksisia verkkoja samalla kun painot päivitetään häviön minimoimiseksi.
Mitä ongelmaa backpropagation ratkaisee käytettäessä hermoverkkoja?
Neuraaliverkkoa sovitettaessa backpropagation laskee gradientinhäviöfunktio suhteessa verkon painoihin yksittäisessä tulo-lähtöesimerkissä ja tekee sen tehokkaasti, toisin kuin gradientin naiivi suora laskenta kunkin painon suhteen erikseen.
