Sự hỗ trợ là một thuật toán cơ bản được dùng để đào tạo mạng lưới thần kinh sâu sắc. nó cho phép mạng lưới học hỏi bằng cách điều chỉnh trọng lượng dựa trên các lỗi giữa dự đoán và thực tế kết quả. hiểu lý thuyết và thực hiện của nó là thiết yếu để phát triển các mô hình học máy tính hiệu quả.

Thuyết phục hồi

Phản hồi bao gồm tính toán gradient của hàm mất theo mỗi trọng lượng trong mạng. Quá trình này sử dụng quy tắc toán học để truyền các lỗi ngược từ lớp kết xuất đến lớp nhập. Các dốc được dùng để cập nhật trọng lượng để giảm thiểu sự mất mát.

Những bước để ủng hộ

  • Bỏ qua: [FLT: 1] Tính toán kết xuất của mạng cho đầu vào đã cho.
  • Giảm giá trị đo sự khác biệt giữa các giá trị dự đoán và thực tế.
  • vượt qua ngược lại: pronaction lỗi ngược lại để tính toán dốc.
  • Trọng lượng ngày hôm qua: điều chỉnh trọng lượng bằng các dốc và tỷ lệ học tập.

Suy giảm trong mật mã

Việc ủng hộ sự ủng hộ lại đòi hỏi phải xác định các chức năng để truyền tải về phía trước, tính toán mất mát, và tính toán chuyển tiếp. thường, khung như TensorFlow hoặc PyTorch tự động hóa phần lớn quá trình này, nhưng hiểu các mã cơ sở giúp tùy chỉnh các thói quen huấn luyện.

Đoạn mã mẫu

Dưới đây là một ví dụ đơn giản về sự mở rộng trong Python cho một mạng thần kinh đơn động:

note: ) Ví dụ này là về mục đích giáo dục và loại bỏ nhiều sự xem xét thực tế.


[FLT:] [FLT: nW.rand., [FLT:] [FT] [t] [t] [FL: t] [t] [t] [FL: t] [t] [t] [t] [t] [t] [t] [t] [t] [K] [K] [KL] [KL]] [KL] [t] [t] [t] [t]] [KL] [t] [t] [KL] [KL]] [K] [K]] [KL] [KL] [KL]] [L] [LL]] [L] [LL]]] [fL]] [t]] [fKK] [f] [fK]] [f]] [fL]] [t]] [fLL] [t]] [fKL] [t]] [t]]] [t]]]] [fLLLLLLLLL]]] [t] [t]]