Ukratko, vi ne možete izvršiti propagaciju unatrag ako nemate funkciju cilja. Ne možete imati funkciju cilja ako nemate mjeru između predviđene vrijednosti i označene (stvarne ili podatke o obuci) vrijednosti. Dakle, da biste postigli "učenje bez nadzora", možda ćete morati odbaciti sposobnost izračunavanja nagiba.
Koja su ograničenja povratnog širenja?
Nedostaci algoritma povratnog širenja:
Oslanja se na unos za izvođenje određenog problema. Osjetljivo na složene/bučne podatke. Potrebni su mu derivati aktivacijskih funkcija za vrijeme projektiranja mreže.
Kako popraviti povratno širenje?
Proces povratnog širenja u dubokoj neuronskoj mreži
- Unesite vrijednosti. X1=0,05. …
- Početna težina. W1=0,15 w5=0,40. …
- Vrijednosti pristranosti. b1=0,35 b2=0,60.
- Ciljne vrijednosti. T1=0,01. …
- Prolaz naprijed. Da bismo pronašli vrijednost H1, prvo pomnožimo ulaznu vrijednost iz pondera kao. …
- Prolaz unatrag na izlaznom sloju. …
- Prolaz unatrag na skrivenom sloju.
Je li povratno širenje učinkovito?
Povratno širenje je učinkovito, što ga čini izvedivim za treniranje višeslojnih mreža koje sadrže mnogo neurona uz ažuriranje težine kako bi se smanjio gubitak.
Koji problem rješava povratno širenje pri radu s neuronskim mrežama?
U prilagođavanju neuronske mreže, propagacija unatrag izračunava gradijentfunkcija gubitka u odnosu na težine mreže za jedan ulaz-izlaz primjer, i to čini učinkovito, za razliku od naivnog izravnog izračunavanja gradijenta s obzirom na svaku težinu pojedinačno.
