כפי שהשם מרמז, תפיסה אחורית היא אַלגוֹרִיתְם שמאחור מפיץ את השגיאות מצמתי הפלט לצומת הקלט. לכן, פשוט מכנים אותה 'התפשטות לאחור של טעויות'. גישה זו פותחה מניתוח מוח אנושי. זיהוי דיבור, זיהוי אופי, אימות חתימה, זיהוי פנים אנושיות הם חלק מהיישומים המעניינים של רשתות עצביות. הרשתות העצביות עוברות למידה מפוקחת, וקטור הקלט שעובר ברשת מייצר וקטור תפוקה. וקטור פלט זה מאומת מול הפלט הרצוי. אם התוצאה אינה תואמת את וקטור הפלט, נוצר דוח שגיאה. בהתבסס על דוח השגיאה, משקולות מותאמות לקבלת התפוקה הרצויה.
מהי רשת עצבית מלאכותית?
An רשת עצבית מלאכותית מעסיק כלל למידה בפיקוח כדי להיות יעיל וחזק. המידע ברשתות עצביות זורם בשתי דרכים שונות. בעיקר כאשר המודל מאומן או לומד וכשהמודל פועל כרגיל - או לבדיקה או לביצוע מטלה כלשהי. מידע בצורות שונות מוזרם במודל באמצעות נוירוני קלט, מה שמפעיל כמה שכבות של נוירונים נסתרים ומגיע לנוירוני התפוקה, הידועה בשם רשת הזנה.
מכיוון שכל הנוירונים אינם מפעילים בו זמנית, הנוירונים המקבלים את התשומות משמאל מוכפלים עם המשקלים כאשר הם עוברים דרך שכבות נסתרות. כעת הוסיפו את כל התשומות מכל נוירון וכאשר הסכום יעלה על רמת סף מסוימת, הנוירונים שנשארו דוממים יפעילו ויתחברו.
הדרך בה רשת העצבים המלאכותית לומדת היא שהיא לומדת ממה שהיא עשתה לא נכון ועושה את זה נכון, וזה ידוע כמשוב. רשתות עצביות מלאכותיות משתמשות במשוב כדי ללמוד מה נכון ומה לא נכון.
מה זה Backpropagation?
הַגדָרָה: Backpropagation הוא מנגנון חיוני שבאמצעותו רשתות עצביות עוברות הכשרה. זהו מנגנון המשמש לכוונון עדין של משקולותיה של רשת עצבית (המכונה אחרת מודל במאמר זה) ביחס לשיעור השגיאות שהופק באיטרציה הקודמת. זה דומה למסנג'ר שאומר למודל אם הרשת עשתה טעות או לא ברגע שהיא ניבאה.
backpropagation-neural-network
השתלשלות רקע ברשתות עצביות היא על הפצה מידע והתייחסות למידע זה לשגיאה שנוצרה על ידי המודל בעת ניחוש. שיטה זו מבקשת להפחית את השגיאה, המכונה אחרת פונקציית האובדן.
כיצד עובד Backpropagation - אלגוריתם פשוט
השתלשלות גב בלימוד עמוק היא גישה סטנדרטית להכשרת רשתות עצביות מלאכותיות. הדרך בה זה עובד היא ש- בתחילה כאשר מתוכננת רשת עצבית, ערכים אקראיים מוקצים כמשקולות. המשתמש לא בטוח אם ערכי המשקל שהוקצו נכונים או מתאימים לדגם. כתוצאה מכך, המודל מוציא את הערך השונה מהפלט בפועל או הצפוי, שהוא ערך שגיאה.
כדי להשיג את הפלט המתאים עם שגיאה מינימלית, יש לאמן את המודל במערך נתונים או פרמטרים רלוונטיים ולעקוב אחר התקדמותו בכל פעם שהוא חוזה. לרשת העצבית יש קשר עם השגיאה, ולכן בכל פעם שהפרמטרים משתנים, גם השגיאה משתנה. ההיסטוריה האחורית משתמשת בטכניקה המכונה כלל דלתא או ירידת שיפוע כדי לשנות את הפרמטרים במודל.
התרשים שלעיל מציג את עבודתו של התפשטות אחורית ואת עבודתו ניתן להלן.
- 'X' בכניסות מגיע מהנתיב המחובר מראש
- 'W', המשקולות האמיתיות משמשות למודל הקלט. הערכים של W מוקצים באופן אקראי
- הפלט עבור כל נוירון מחושב באמצעות התפשטות העברה - שכבת הקלט, השכבה הנסתרת ושכבת הפלט.
- השגיאה מחושבת ביציאות באמצעות המשוואה. מתפשטת לאחור שוב דרך פלט ושכבות נסתרות, משקולות מותאמות להפחתת השגיאה.
שוב התפשט קדימה כדי לחשב את התפוקה והשגיאה. אם השגיאה ממוזערת, תהליך זה מסתיים, או אחר מתפשט לאחור ומתאים את ערכי המשקל.
תהליך זה חוזר על עצמו עד לקבלת השגיאה למינימום ופלט רצוי שמתקבל.
מדוע אנו זקוקים לתבנית גב?
זהו מנגנון המשמש להכשרת הרשת העצבית הנוגעת למערך הנתונים המסוים. חלק מה- היתרונות של Backpropagation הם
- זה פשוט, מהיר וקל לתכנות
- רק מספרי הקלט מכוונים ולא אף פרמטר אחר
- אין צורך להיות בעל ידע מוקדם אודות הרשת
- זה גמיש
- גישה סטנדרטית ועובדת ביעילות
- זה לא מחייב את המשתמש ללמוד פונקציות מיוחדות
סוגי רשת Backpropagation
ישנם שני סוגים של רשתות רפואה. זה מסווג להלן:
Backpropagation סטטי
תפיסה אחורית סטטית היא סוג אחד של רשת שמטרתה לייצר מיפוי של קלט סטטי עבור פלט סטטי. רשתות מסוג זה מסוגלות לפתור בעיות סיווג סטטיות כמו זיהוי תווים אופטי (OCR).
חזרה חוזרת ונשנית
ההתאוששות החוזרת ונשנית היא סוג אחר של רשת המועסקת בלמידה בנקודה קבועה. ההפעלות בתפיסת גב חוזרת מוזנות קדימה עד שהיא משיגה ערך קבוע. בעקבות זאת, מחושבת טעות ומופצת לאחור. א תוֹכנָה , ל- NeuroSolutions היכולת לבצע את ההתאוששות החוזרת.
ההבדלים העיקריים: ההיסטוריה האחורית הסטטית מציעה מיפוי מיידי, ואילו מיפוי ההיסטוריה החוזרת ונשנית אינו מיידי.
חסרונות של Backpropagation
החסרונות של התפשטות גב הם:
- יתכן שההתאוששות האחורית תהיה רגישה לנתונים רועשים ולאי סדירות
- הביצועים של זה נשענים מאוד על נתוני הקלט
- זקוק לזמן מוגזם לאימונים
- הצורך בשיטה המבוססת על מטריצה לאירוח מחדש במקום מיני אצווה
יישומים של Backpropagation
היישומים הם
- הרשת העצבית מאומנת להצהיר כל אות של מילה ומשפט
- הוא משמש בתחום זיהוי דיבור
- משתמשים בו בתחום זיהוי אופי ופנים
שאלות נפוצות
1). מדוע אנו זקוקים לריבוי גב ברשתות עצביות?
זהו מנגנון המשמש להכשרת הרשת העצבית הנוגעת למערך הנתונים המסוים
2). מה המטרה של אלגוריתם backpropagation?
מטרת האלגוריתם הזה היא ליצור מנגנון אימונים לרשתות עצביות כדי להבטיח שהרשת תורגל למפות את התשומות לפלטים המתאימים להן.
3). מה קצב הלמידה ברשתות עצביות?
קצב הלמידה מוגדר בהקשר של אופטימיזציה ומזעור תפקוד האובדן של רשת עצבית. הכוונה היא למהירות שבה רשת עצבית יכולה ללמוד נתונים חדשים על ידי עקיפת הנתונים הישנים.
“איך עובד mov ”
4). האם הרשת העצבית היא אלגוריתם?
כן. רשתות עצביות הן סדרה של אלגוריתמי למידה או כללים שנועדו לזהות את הדפוסים.
5). מהי פונקציית ההפעלה ברשת עצבית?
פונקציית ההפעלה של רשת עצבית מחליטה אם יש להפעיל / להפעיל את הנוירון או לא על סמך הסכום הכולל.
במאמר זה, המושג Backpropagation של רשתות עצביות מוסבר באמצעות שפה פשוטה להבנת הקורא. בשיטה זו, רשתות עצביות מאומנות משגיאות שנוצרו כדי להיות עצמאיות ולטפל במצבים מורכבים. לרשתות עצביות יש יכולת ללמוד בצורה מדויקת עם דוגמא.
