คําแนะนําทีละขั้นเพื่อการชดเชยการรองรับเครือข่ายดีพนธ์

การกลับตัวเป็นอัลกอริทึมพื้นฐานที่ใช้ในการฝึกเครือข่ายประสาทลึก มันช่วยปรับน้ําหนักของเครือข่าย เพื่อลดความผิดพลาดได้ มัคคุเทศก์นี้จะให้กระบวนการเดินแบบขั้นต่อขั้น เพื่อปรับใช้การกลับแบบมีประสิทธิภาพ

การ เข้าใจ พื้น ฐาน

การกลับหน่วยรวมเกี่ยวข้องกับการคํานวณการไล่ระดับความโปร่งแสงของฟังก์ชันการสูญเสีย เทียบกับน้ําหนักแต่ละลูกในเครือข่าย โพรเซสนี้ใช้กฏลูกโซ่ของแคลคูลัส เพื่อกระจายข้อผิดพลาดย้อนกลับจากชั้นส่งออกไปยังชั้นนําเข้า

ขั้น ที่ 1: เริ่ม ความ อ่อน ตัว

การ เริ่ม ต้น ที่ เหมาะ สม สามารถ ปรับ ปรุง การ ฝึก อบรม ให้ มี ประสิทธิภาพ และ การ เชื่อม โยง.

ขั้น ที่ 2: ผ่าน

ข้อมูลนําเข้าจะถูกส่งต่อผ่านเครือข่าย เพื่อสร้างการคาดการณ์ ระหว่างขั้นตอนนี้ จะมีการคํานวณค่าข้อมูลต่าง ๆ ที่แต่ละชั้น โดยใช้น้ําหนักและอคติในปัจจุบัน

ขั้น ที่ 3: การ สูญ เสีย ที่ น่า ชมเชย

ผลต่างระหว่างผลลัพธ์ที่คาดการณ์ไว้ กับเป้าหมายจริง ๆ วัดโดยใช้ฟังก์ชันสูญเสีย เช่น ค่าเฉลี่ยกําลังสอง ค่าคลาดเคลื่อน หรือครอสเอนโทรปี

ขั้น ที่ 4: ย้อน กลับ

คํานวณค่าเกรเดียนของการสูญเสีย เทียบกับแต่ละน้ําหนัก โดยการเพิ่มข้อผิดพลาดย้อนกลับผ่านเครือข่าย

ขั้น ที่ 5: ปรับ ปรุง ความ เข้ม ข้น

ปรับน้ําหนักและอคติให้พอดีกับการไล่ระดับเกรเดียนและอัตราการเรียนรู้ ขั้นนี้จะทําให้การทํางานสูญเสียน้อยที่สุด และปรับปรุงประสิทธิภาพของเครือข่ายได้ดีขึ้น

• เริ่มการโหลดลูกตุ้ม
• ทําการผ่านไปข้างหน้า
• คํานวณค่าข้อมูล
• การกระจายของลวดลาย
• ปรับปรุงน้ําหนัก