Backpropagation derin sinir ağları eğitmek için kullanılan temel bir algoritmadır. Bu kılavuz, hataları en aza indirmek için ağdaki ağırlıkları ayarlamaya yardımcı olur.Bu kılavuz, geri yüklemeyi etkili bir şekilde uygulamak için bir adım adım adım süreci sağlar.

Temelleri anlamak

Backpropagation, ağdaki her kiloya saygı duyan kaybın fonksiyonunu hesaplamayı içerir. Bu işlem, hesaplama sistemlerinin zincirini geri göndermesi için hesaplayıcı hataların zincir kuralı kullanır.

Adım 1: Kilosları İlk

Mikrobiyal ağdaki ağırlıkları ve önyargıları rastgele olarak başlayın. Proper başlangıçlama eğitim verimliliğini ve yakınlaştırmayı artırabilir.

Adım 2: Forward Pass

Giriş verileri tahminler oluşturmak için ağ üzerinden geçiyor. Bu aşamada, aktivasyonlar mevcut ağırlıkları ve önyargıları kullanarak her katmanda işlemleniyor.

Adım 3: Tamamlanan Kayıp

Tahmin edilen çıktı ile gerçek hedef arasındaki fark, meydan okuma veya çapraz-kansım gibi bir kayıp işlevi kullanılarak ölçülmektedir.

Adım 4: Backward Pass

Her bir ağırlıkta hatayı geri atayarak kaybın yüksekliğini hesaplayın. Bu, her katmanda bilgisayar türlerini içerir.

Adım 5: Update Kilos

Ağırlıkları ve önyargıları gradients ve bir öğrenme oranını kullanarak ayarlama. Bu adım, kaybı fonksiyonunu en aza indirir ve ağ performansını geliştirir.

  • İlk olarak ağırlıkları
  • Gerçek geçiş
  • Hesaplama kaybı
  • Yeniden hazırlıklar yoluyla gradients via backpropagation
  • Güncelleme ağırlıkları