Товчхондоо, хэрэв танд зорилгын функц байхгүй бол буцах тархалт хийх боломжгүй. Урьдчилан таамагласан утга болон шошгологдсон (бодит эсвэл сургалтын өгөгдөл) утгын хооронд хэмжүүр байхгүй бол та зорилгын функцтэй байж чадахгүй. Тиймээс "хяналтгүй суралцах" -ын тулд та градиент тооцоолох чадвараа орхиж магадгүй.
Буцах тархалтын хязгаарлалт юу вэ?
Буцах тархалтын алгоритмын сул тал:
Энэ нь тодорхой асуудлыг шийдвэрлэхийн тулд оролтод тулгуурладаг. Нарийн төвөгтэй/шуугиантай өгөгдөлд мэдрэмтгий. Үүнд сүлжээний дизайн хийх хугацаанд идэвхжүүлэх функцүүдийн дериватив шаардлагатай.
Та буцаан тархалтыг хэрхэн засах вэ?
Гүн мэдрэлийн сүлжээн дэх буцах тархалтын процесс
- Оролтын утгууд. X1=0.05. …
- Анхны жин. W1=0.15 w5=0.40. …
- Хэвийн утга. b1=0.35 b2=0.60.
- Зорилтот үнэ цэнэ. T1=0.01. …
- Урагшаа дамжуулалт. H1-ийн утгыг олохын тулд эхлээд жингийн оролтын утгыг дараах байдлаар үржүүлнэ. …
- Гаралтын давхарга дээр арагшаа дамжуулна. …
- Нуугдсан давхарга руу буцах.
Буцах тархалт үр дүнтэй юу?
Буцах тархалт үр ашигтай учир алдагдлыг багасгахын тулд жинг шинэчлэхийн зэрэгцээ олон нейрон агуулсан олон давхаргат сүлжээг сургах боломжтой.
Мэдрэлийн сүлжээтэй ажиллахад буцах тархалт ямар асуудлыг шийддэг вэ?
Мэдрэлийн сүлжээг тохируулахдаа буцах тархалт нь градиентыг тооцдог. Нэг оролт-гаралтын жишээнд зориулсан сүлжээний жингийн хувьд алдагдлын функц бөгөөд жин тус бүрийг тус тусад нь градиентийн гэнэн шууд тооцоололоос ялгаатай нь үүнийг үр дүнтэй гүйцэтгэдэг.
