โดยย่อ คุณ ไม่สามารถขยายพันธุ์กลับได้ ถ้าคุณไม่มีหน้าที่วัตถุประสงค์ คุณไม่สามารถมีฟังก์ชันวัตถุประสงค์ได้ หากคุณไม่มีการวัดระหว่างค่าที่คาดการณ์ไว้และค่าที่มีป้ายกำกับ (ข้อมูลจริงหรือข้อมูลการฝึก) ดังนั้น เพื่อให้เกิด "การเรียนรู้แบบไม่มีผู้ดูแล" คุณอาจละเลยความสามารถในการคำนวณการไล่ระดับสี
ข้อ จำกัด ของการขยายพันธุ์ด้านหลังคืออะไร
ข้อเสียของอัลกอริธึมการแพร่กระจายกลับ:
มันอาศัยอินพุตเพื่อดำเนินการกับปัญหาเฉพาะ มีความละเอียดอ่อนต่อข้อมูลที่ซับซ้อน/มีเสียงดัง มันต้องการอนุพันธ์ของฟังก์ชันการเปิดใช้งานสำหรับเวลาออกแบบเครือข่าย
จะแก้ไขกลับ propagation อย่างไร
กระบวนการ Backpropagation ใน Deep Neural Network
- ใส่ค่า X1=0.05. …
- น้ำหนักเริ่มต้น. W1=0.15w5=0.40. …
- ค่าอคติ. b1=0.35 b2=0.60.
- ค่าเป้าหมาย. T1=0.01. …
- ส่งต่อ. ในการหาค่าของ H1 ก่อนอื่นเราต้องคูณค่าอินพุตจากน้ำหนักเป็น …
- ย้อนกลับที่เลเยอร์เอาต์พุต …
- ถอยหลังที่ชั้นซ่อน
backpropagation มีประสิทธิภาพหรือไม่
Backpropagation มีประสิทธิภาพ ทำให้เป็นไปได้ที่จะฝึกเครือข่ายหลายชั้นที่มีเซลล์ประสาทจำนวนมากในขณะที่อัปเดตน้ำหนักเพื่อลดการสูญเสีย
backpropagation แก้ปัญหาอะไรเมื่อทำงานกับโครงข่ายประสาทเทียม
ในโครงข่ายประสาทเทียม การแพร่กระจายกลับคำนวณ ความลาดชันของฟังก์ชันการสูญเสียที่เกี่ยวกับน้ำหนักของเครือข่ายสำหรับตัวอย่างอินพุต-เอาต์พุตเดี่ยว และทำได้อย่างมีประสิทธิภาพ ซึ่งแตกต่างจากการคำนวณโดยตรงที่ไร้เดียงสาของการไล่ระดับสีโดยคำนึงถึงน้ำหนักแต่ละรายการ