In kort, jy kan nie terugverspreiding doen as jy nie 'n objektiewe funksie het nie. Jy kan nie 'n objektiewe funksie hê as jy nie 'n maatstaf het tussen 'n voorspelde waarde en 'n benoemde (werklike of opleidingsdata) waarde nie. So om "onder toesig leer" te bereik, het jy dalk die vermoë om 'n gradiënt te bereken, laat vaar.
Wat is die beperkings van terugverspreiding?
Nadele van rugvoortplantingsalgoritme:
Dit maak staat op insette om op 'n spesifieke probleem uit te voer. Sensitief vir komplekse/raserige data. Dit benodig die afgeleides van aktiveringsfunksies vir die netwerkontwerptyd.
Hoe maak jy terugverspreiding reg?
Terugpropagasieproses in Deep Neurale Network
- Invoerwaardes. X1=0.05. …
- Aanvanklike gewig. W1=0.15 w5=0.40. …
- Voordeelwaardes. b1=0.35 b2=0.60.
- Teikenwaardes. T1=0.01. …
- Voorwaartse pas. Om die waarde van H1 te vind vermenigvuldig ons eers die insetwaarde van die gewigte as. …
- Terugaangee by die uitsetlaag. …
- Terugaangee by versteekte laag.
Is terugpropagasie doeltreffend?
Terugpropagasie is doeltreffend, wat dit haalbaar maak om multilaagnetwerke wat baie neurone bevat op te lei terwyl die gewigte opgedateer word om verlies te minimaliseer.
Watter probleem los terugpropagasie op wanneer met neurale netwerke gewerk word?
Deur 'n neurale netwerk te pas, bereken terugpropagasie die gradiënt vandie verliesfunksie met betrekking tot die gewigte van die netwerk vir 'n enkele inset–afvoer voorbeeld, en doen dit doeltreffend, anders as 'n naïewe direkte berekening van die gradiënt met betrekking tot elke gewig individueel.
