Adından da anlaşılacağı gibi, geri yayılım bir algoritma bu, hataları çıkış düğümlerinden giriş düğümlerine geri yayar. Bu nedenle, basitçe 'hataların geriye doğru yayılması' olarak adlandırılır. Bu yaklaşım, bir insan beyninin analizinden geliştirilmiştir. Konuşma tanıma, karakter tanıma, imza doğrulama, insan yüzü tanıma sinir ağlarının ilginç uygulamalarından bazılarıdır. Sinir ağları denetimli öğrenmeden geçer, ağdan geçen giriş vektörü çıktı vektörü üretir. Bu çıkış vektörü, istenen çıktıya göre doğrulanır. Sonuç çıktı vektörüyle eşleşmezse, bir hata raporu oluşturulur. Hata raporuna bağlı olarak, istenen çıktıyı elde etmek için ağırlıklar ayarlanır.
Yapay Sinir Ağı nedir?
Bir Yapay Sinir Ağı Etkili ve güçlü olmak için denetimli öğrenme kuralı kullanır. Sinir ağlarındaki bilgiler iki farklı şekilde akar. Öncelikle, model eğitilirken veya öğrenilirken ve model normal çalıştığında - ya test etmek için ya da herhangi bir görevi gerçekleştirmek için kullanılır. Farklı formlardaki bilgiler, giriş nöronları aracılığıyla modele beslenir, birkaç gizli nöron katmanını tetikler ve ileri beslemeli ağ olarak bilinen çıkış nöronlarına ulaşır.
Tüm nöronlar aynı anda tetiklenmediğinden, soldan gelen girdileri alan nöronlar, gizli katmanlardan geçerken ağırlıklarla çarpılırlar. Şimdi, her nörondan gelen tüm girdileri toplayın ve toplam belirli bir eşik seviyesini aştığında, sessiz kalan nöronlar tetiklenecek ve bağlanacaktır.
Yapay Sinir Ağının öğrenme yolu, yanlış yaptığı şeyden öğrenmesi ve doğru yapmasıdır ve bu geri bildirim olarak bilinir. Yapay Sinir Ağları, neyin doğru neyin yanlış olduğunu öğrenmek için geri bildirimi kullanır.
Backpropagation nedir?
Tanım: Geri yayılım, sinir ağlarının eğitildiği temel bir mekanizmadır. Önceki yinelemede üretilen hata oranıyla ilgili olarak bir sinir ağının (bu makalede model olarak anılacaktır) ağırlıklarının ince ayarını yapmak için kullanılan bir mekanizmadır. Bu, ağın bir hata yapıp yapmadığını tahmin ettiği anda modele söyleyen bir haberciye benzer.
backpropagation-sinir ağı
Sinir ağlarında geri yayılım, aktarma bir tahmin yapıldığında ve bu bilginin model tarafından üretilen hatayla ilişkilendirilmesi. Bu yöntem, aksi takdirde kayıp işlevi olarak anılan hatayı azaltmaya çalışır.
Backpropagation Nasıl Çalışır - Basit Algoritma
Derin öğrenmede geri yayılım, yapay sinir ağlarını eğitmek için standart bir yaklaşımdır. İşleyiş şekli şudur - Başlangıçta bir sinir ağı tasarlandığında, rastgele değerler ağırlık olarak atanır. Kullanıcı, atanan ağırlık değerlerinin doğru veya modele uygun olup olmadığından emin değildir. Sonuç olarak, model bir hata değeri olan gerçek veya beklenen çıktıdan farklı bir değer verir.
Minimum hatayla uygun çıktıyı elde etmek için, model uygun bir veri kümesi veya parametreler üzerinde eğitilmeli ve her tahmin ettiğinde ilerlemesini izlemelidir. Sinir ağının hatayla bir ilişkisi vardır, bu nedenle parametreler değiştiğinde hata da değişir. Geri yayılım, modeldeki parametreleri değiştirmek için delta kuralı veya gradyan inişi olarak bilinen bir teknik kullanır.
Yukarıdaki şema geri yayılımın çalışmasını gösterir ve çalışması aşağıda verilmiştir.
- Girişlerdeki 'X' önceden bağlanmış yoldan ulaşır
- 'W', girdiyi modellemek için gerçek ağırlıklar kullanılır. W değerleri rastgele tahsis edilir
- Her nöron için çıktı, giriş katmanı, gizli katman ve çıktı katmanı olan iletme yayılımı yoluyla hesaplanır.
- Hata, çıktı ve gizli katmanlar aracılığıyla tekrar geriye doğru yayılan denklem kullanılarak çıktılarda hesaplanır, hatayı azaltmak için ağırlıklar ayarlanır.
Çıktıyı ve hatayı hesaplamak için tekrar ileriye doğru ilerleyin. Hata en aza indirilirse, bu işlem sona erer veya geriye doğru yayılır ve ağırlık değerlerini ayarlar.
Bu işlem, hata minimuma inene ve istenen çıktı elde edilinceye kadar tekrarlanır.
Neden Geri Yayımlamaya İhtiyacımız Var?
Bu, belirli veri kümesiyle ilgili sinir ağını eğitmek için kullanılan bir mekanizmadır. Bazıları Geri yayılımın avantajları vardır
- Basit, hızlı ve programlanması kolaydır
- Yalnızca girişin sayıları ayarlanır, başka herhangi bir parametre değil
- Ağ hakkında önceden bilgi sahibi olmanıza gerek yok
- Esnek
- Standart bir yaklaşım ve verimli çalışıyor
- Kullanıcının özel fonksiyonları öğrenmesini gerektirmez
Geri Yayılım Ağı Türleri
İki tür geri yayılım ağı vardır. Aşağıdaki kategorilere ayrılır:
Statik Geri Yayınlama
Statik geri yayılım, statik çıktı için statik bir girdinin eşlemesini üretmeyi amaçlayan bir ağ türüdür. Bu tür ağlar, optik karakter tanıma (OCR) gibi statik sınıflandırma problemlerini çözebilir.
Tekrarlayan Geri Yayınlama
Tekrarlayan geri yayılım, sabit nokta öğrenmede kullanılan başka bir ağ türüdür. Yinelenen geri yayılmadaki aktivasyonlar, sabit bir değere ulaşana kadar ileri beslenir. Bunu takiben, bir hata hesaplanır ve geriye doğru yayılır. Bir yazılım NeuroSolutions, tekrarlayan geri yayılımı gerçekleştirme yeteneğine sahiptir.
Temel farklar: Statik geri yayılım, anında haritalama sağlarken, tekrarlayan geri yayılım eşleme anında yapılmaz.
Geri Yayımlamanın Dezavantajları
Geri yayılımın dezavantajları şunlardır:
- Geri yayılım muhtemelen gürültülü verilere ve düzensizliğe duyarlı olabilir
- Bunun performansı, giriş verilerine büyük ölçüde bağlıdır
- Eğitim için aşırı zamana ihtiyacı var
- Mini parti yerine geri yayılım için matris tabanlı bir yönteme duyulan ihtiyaç
Geri Yayımlama Uygulamaları
Uygulamalar
- Sinir ağı, bir kelimenin ve cümlenin her harfini telaffuz edecek şekilde eğitilmiştir.
- Alanında kullanılır Konuşma tanıma
- Karakter ve yüz tanıma alanında kullanılır.
SSS
1). Sinir ağlarında neden geri yayılmaya ihtiyacımız var?
Bu, belirli veri kümesiyle ilgili sinir ağını eğitmek için kullanılan bir mekanizmadır.
2). Geri yayılım algoritmasının amacı nedir?
Bu algoritmanın amacı, ağın girdileri uygun çıktılarına eşlemek üzere eğitilmesini sağlamak için sinir ağları için bir eğitim mekanizması oluşturmaktır.
3). Sinir ağlarında öğrenme oranı nedir?
Öğrenme hızı, optimizasyon ve bir sinir ağının kayıp fonksiyonunun en aza indirilmesi bağlamında tanımlanır. Bir sinir ağının eski verileri geçersiz kılarak yeni verileri öğrenebilme hızını ifade eder.
4). Sinir ağı bir algoritma mı?
Evet. Sinir ağları, kalıpları tanımlamak için tasarlanmış bir dizi öğrenme algoritması veya kuralıdır.
5). Bir sinir ağındaki aktivasyon işlevi nedir?
Bir sinir ağının aktivasyon işlevi, nöronun aktive edilip edilmeyeceğine / tetiklenip tetiklenmeyeceğine toplam toplama göre karar verir.
Bu makalede, Backpropagation kavramı nöral ağlar, okuyucunun anlaması için basit bir dil kullanılarak açıklanır. Bu yöntemde sinir ağları, kendi kendine yeterli hale gelmek ve karmaşık durumları ele almak için üretilen hatalardan eğitilir. Sinir ağları, bir örnekle doğru bir şekilde öğrenme yeteneğine sahiptir.
