Bir sözlə, siz obyektiv funksiyanız yoxdursa,geri yayılma edə bilməzsiniz. Proqnozlaşdırılan dəyərlə etiketlənmiş (faktiki və ya təlim məlumatları) dəyər arasında ölçü yoxdursa, obyektiv funksiyaya malik ola bilməzsiniz. Beləliklə, "nəzarətsiz öyrənmə" əldə etmək üçün siz qradiyent hesablamaq imkanından əl çəkə bilərsiniz.
Geri yayılmanın məhdudiyyətləri hansılardır?
Geri Yayılma Alqoritminin Dezavantajları:
Xüsusi problemi yerinə yetirmək üçün daxilə əsaslanır. Mürəkkəb/səs-küylü məlumatlara həssasdır. Şəbəkənin dizayn vaxtı üçün ona aktivləşdirmə funksiyalarının törəmələri lazımdır.
Geri yayılmasını necə düzəldirsiniz?
Dərin Neyron Şəbəkəsində Geri Yayılma Prosesi
- Daxil edilmiş dəyərlər. X1=0,05. …
- İlkin çəki. W1=0,15 w5=0,40. …
- Qərəz Dəyərləri. b1=0,35 b2=0,60.
- Hədəf Dəyərlər. T1=0,01. …
- İrəli Keçid. H1-in dəyərini tapmaq üçün əvvəlcə çəkilərdən daxil olan dəyəri vururuq. …
- Çıxış qatında geriyə keçid. …
- Gizli qatda geriyə keçid.
Arxa yayılma effektivdirmi?
Arxayayılma effektivdir, itkini minimuma endirmək üçün çəkiləri yeniləyərkən çoxlu neyronları ehtiva edən çoxqatlı şəbəkələri öyrətməyi mümkün edir.
Neyron şəbəkələri ilə işləyərkən geri yayılma hansı problemi həll edir?
Neyroşəbəkəyə uyğunlaşma zamanı geri yayılma qradiyenti hesablayırtək giriş-çıxış nümunəsiüçün şəbəkənin çəkiləri ilə bağlı itki funksiyası və hər bir çəkiyə ayrı-ayrılıqda gradientin sadəlövh birbaşa hesablanmasından fərqli olaraq bunu səmərəli edir.
