Ang backpropagation ay isang pundamental na algorithm na ginagamit upang sanayin ang mga malalim na neural network. Ito ay kinasasangkutan ng pagkalkula ng mga spaghetti ng proseso ng pagbabawas na may kaugnayan sa bawat timbang sa network, na nagpapahintulot sa mga update ng timbang na nagpapagaan ng mga pagkakamali. Ang artikulong ito ay nagbibigay ng isang hakbang-by-pass na pag-iisip ng proseso ng backprobagation, na nakatuon sa mga kalkulasyon na kasangkot sa pagsasanay ng isang malalim na network.

Pasulong na Pasa

Ang proseso ay nagsisimula sa pasulong na paglipas, kung saan ang input data ay kumakalat sa pamamagitan ng network. Ang bawat neuron ay nagkokodigo ng isang mabigat na halaga ng mga input nito, nagdaragdag ng isang pagkiling, at naglalapat ng isang aktibidad na aksesorya. Ang output ng bawat layer ay nagsisilbing input para sa susunod na layer hanggang sa makuha ang pangwakas na prediksiyon.

Pagtaya sa Kawalan

Kapag ang network ay nakagawa ng output, ang pagkawala ng tungkulin ay sumusukat sa pagkakaiba ng hinulaang output at ng tunay na label. Ang mga karaniwang tungkulin ng pagkawala ay kinabibilangan ng Mean Squared Error at Cross-Entropy. Ang tunguhin ay bawasan ang pagbawas na ito sa pamamagitan ng mga pagbabago sa timbang.

Paspas sa Pasa: Panimulang Kompuwesto

Ang pinaka - buod ng pag - aayos ay nagsasangkot ng pag - aalis ng mga gilid ng mga pinsala na may kaugnayan sa bawat pabigat.

Sa bawat neuron, ang maling termino ay tinitiyak sa pamamagitan ng pagpaparami sa mga pinagmulan ng aktibidad na may timbang na halaga ng mga pagkakamali mula sa kasunod na suson. Ang mga salitang ito ng pagkakamali ay saka ginagamit upang pagtugmain ang mga gruit para sa bawat timbang at pagkiling.

Pag - unlad sa Timbang

Sa paggamit ng mga computed sneed, ang mga pabigat ay ini-rereaplease karaniwan na sa pamamagitan ng cleaning down. Ang update rule ay nagbabawas ng isang praksiyon ng mga element mula sa kasalukuyang timbang, na kinokontrol ng rate ng pagkatuto.Ang prosesong ito ay binabawasan ang pagkawala sa mga sunod sunod na elementasyon.

Pagsaryo ng mga Pangunahing Hakbang

  • Gumawa ng isang pasulong na pag - abante upang magtugma ng mga hula.
  • Alamin kung gaano kalaki ang nawala sa pagitan ng mga prediksiyon at ng tunay na mga etiketa.
  • Commute error terminos simula sa output layer paatras.
  • Pagtaya sa mga anggulo para sa bawat timbang at pagkiling.
  • Mag - iskedyul ng mga pabigat na gumagamit ng paibabang paibaba.