ويعد توسيع نطاق العمل خطوة حاسمة في مرحلة ما قبل التجهيز في مجال تدريب الشبكات العصبية، ويشمل ذلك تعديل مجموعة سمات المدخلات لتحسين الأداء النموذجي وسرعة التقارب، ويساعد فهم المؤسسات الرياضية في تطبيق تقنيات التقسيم الصحيحة بالنسبة لسيناريوهات مختلفة.

مؤسسة الرياضيات للارتفاع

تعديل أساليب رفع مستوى البيانات لضمان مساهمة كل سمة على قدم المساواة في عملية التعلم، وتشمل التقنيات المشتركة توسيع نطاق التعليم وتوحيده، ويحول التوسع في الحد الأقصى المصغر السمات إلى نطاق محدد، عادة [0]، باستخدام الصيغة:

x scaled = (x - min(x)) / (max(x) - min(x))]

ومن ناحية أخرى، فإن التوحيد القياسي يميز المراكز حول الشعار مع وجود فرق في الوحدة:

x standardized = (x - ميكرو) / / / / ]

الأثر على التدريب على الشبكة العصبية

ومن شأن توسيع نطاق الملامح على نحو سليم أن يحسن كثيرا عملية التدريب، وهو يساعد على تحقيق تقارب أسرع من خلال منع الملامح ذات النطاقات الأكبر من هيمنة تحديثات التعلم، وبالإضافة إلى ذلك، تؤدي الملامح المتوسعة إلى مستويات أكثر استقرارا، مما يقلل من خطر اختفائ أو انفجار التدرجات.

والشبكات العصبية التي تؤدي وظائف تنشيطية مثل الجمود أو التدفئة حساسة بوجه خاص بالنسبة لجداول السمات، ويكفل التوسع في المدخلات التي تدخل في المناطق النشطة من هذه المهام، ويعزز كفاءة التعلم.

الاعتبارات العملية

وعند تطبيق توسيع نطاق المعالم، من المهم أن لا يلائم الجدول في بيانات التدريب إلا وأن يطبق التحول نفسه على بيانات المصادقة والاختبار، مما يحول دون تسرب البيانات ويكفل التوسع بشكل متسق في مجموعات البيانات.

  • استخدام الحد الأدنى للضرائب للملامح المقيده
  • تطبيق التوحيد القياسي للبيانات الموزعة عادة.
  • دائماً ما يلائم المقاييس على بيانات التدريب فقط
  • إعادة برمجة البيانات بعد أي زيادة في البيانات.