V skratke, nemôžete robiť spätné šírenie, ak nemáte objektívnu funkciu. Nemôžete mať objektívnu funkciu, ak nemáte mieru medzi predpokladanou hodnotou a označenou hodnotou (aktuálne alebo tréningové údaje). Aby ste teda dosiahli „učenie bez dozoru“, možno vám chýba schopnosť vypočítať gradient.
Aké sú obmedzenia spätného šírenia?
Nevýhody algoritmu spätného šírenia:
Pri riešení konkrétneho problému sa spolieha na vstup. Citlivé na zložité/zašumené údaje. Na návrh siete potrebuje deriváty aktivačných funkcií.
Ako opravíte spätné šírenie?
Proces spätnej propagácie v hlbokej neurónovej sieti
- Zadajte hodnoty. X1=0,05. …
- Počiatočná hmotnosť. W1=0,15 w5=0,40. …
- Hodnoty odchýlky. b1=0,35 b2=0,60.
- Cieľové hodnoty. T1=0,01. …
- Preposlanie. Aby sme našli hodnotu H1, najprv vynásobíme vstupnú hodnotu z váh ako. …
- Spätný prechod na výstupnej vrstve. …
- Spätný prechod v skrytej vrstve.
Je spätná propagácia efektívna?
Spätná propagácia je efektívna, vďaka čomu je možné trénovať viacvrstvové siete obsahujúce veľa neurónov a zároveň aktualizovať váhy, aby sa minimalizovali straty.
Aký problém rieši backpropagation pri práci s neurónovými sieťami?
Pri montáži neurónovej siete backpropagation počíta gradientstratovú funkciu vzhľadom na váhy siete pre jeden príklad vstupu a výstupu a robí to efektívne, na rozdiel od naivného priameho výpočtu gradientu vzhľadom na každú váhu jednotlivo.
