Com el seu nom indica, la propagació posterior és una algorisme que retrocedeix propaga els errors dels nodes de sortida als nodes d'entrada. Per tant, simplement es coneix com a 'propagació cap enrere d'errors'. Aquest enfocament es va desenvolupar a partir de l’anàlisi d’un cervell humà. El reconeixement de veu, el reconeixement de caràcters, la verificació de signatures i el reconeixement de rostres humans són algunes de les aplicacions interessants de les xarxes neuronals. Les xarxes neuronals passen per un aprenentatge supervisat, el vector d’entrada que passa per la xarxa produeix un vector de sortida. Aquest vector de sortida es verifica en comparació amb la sortida desitjada. Si el resultat no coincideix amb el vector de sortida, es genera un informe d'errors. Segons l'informe d'errors, els pesos s'ajusten per obtenir la sortida desitjada.
Què és una xarxa de neurones artificials?
An Xarxa de neurones artificials utilitza regles d’aprenentatge supervisat per esdevenir eficaç i poderós. La informació de les xarxes neuronals flueix de dues maneres diferents. Principalment, quan s’està entrenant o aprenent el model i quan el model funciona amb normalitat, ja sigui per provar-lo o utilitzar-lo per realitzar qualsevol tasca. La informació en diferents formes s’introdueix al model a través de les neurones d’entrada, desencadenant diverses capes de neurones ocultes i arribant a les neurones de sortida, que es coneix com una xarxa d’alimentació.
Com que totes les neurones no es desencadenen al mateix temps, les neurones que reben les entrades de l'esquerra es multipliquen amb els pesos mentre viatgen a través de capes ocultes. Ara, suma totes les entrades de cada neurona i quan la suma supera un determinat nivell llindar, les neurones que havien romàs en silenci es desencadenaran i es connectaran.
La manera com aprèn la Xarxa de Neurones Artificials és que aprèn del que havia fet malament i que fa el bé, i això es coneix com a retroalimentació. Les xarxes neuronals artificials utilitzen comentaris per aprendre què és correcte i incorrecte.
Què és la propagació posterior?
Definició: La propagació retroactiva és un mecanisme essencial mitjançant el qual s’entrenen les xarxes neuronals. És un mecanisme utilitzat per afinar els pesos d’una xarxa neuronal (altrament es coneix com a model en aquest article) pel que fa a la taxa d’errors produïda en la iteració anterior. És similar a un missatger que li diu al model si la xarxa va cometre un error o no tan aviat com va predir.
retropropagació-xarxa-neuronal
La propagació retroactiva a les xarxes neuronals tracta sobre transmissió d'informació i relacionar aquesta informació amb l'error generat pel model quan es va fer una suposició. Aquest mètode busca reduir l'error, que altrament es coneix com la funció de pèrdua.
Com funciona la propagació inversa: algorisme senzill
La propagació posterior en l’aprenentatge profund és un enfocament estàndard per a l’entrenament de xarxes neuronals artificials. La manera com funciona és que: inicialment, quan es dissenya una xarxa neuronal, s’assignen valors aleatoris com a pesos. L'usuari no està segur de si els valors de pes assignats són correctes o s'ajusten al model. Com a resultat, el model genera un valor diferent de la producció real o esperada, que és un valor d'error.
Per obtenir la sortida adequada amb un error mínim, el model s’hauria de formar sobre un conjunt de dades o paràmetres pertinents i controlar-ne el progrés cada vegada que prediu. La xarxa neuronal té una relació amb l’error, per tant, sempre que canvien els paràmetres, l’error també canvia. La propagació posterior utilitza una tècnica coneguda com a regla delta o descens de gradient per canviar els paràmetres del model.
El diagrama anterior mostra el funcionament de la propagació posterior i el seu funcionament es dóna a continuació.
- La 'X' a les entrades arriba des del camí preconnectat
- 'W', els pesos reals s'utilitzen per modelar l'entrada. Els valors de W s’assignen aleatòriament
- La sortida de cada neurona es calcula mitjançant la propagació de reenviament: la capa d’entrada, la capa oculta i la capa de sortida.
- L'error es calcula a les sortides mitjançant l'equació Propagant-se de nou cap enrere a través de capes de sortida i ocultes, els pesos s'ajusten per reduir l'error.
Torneu a propagar-vos cap endavant per calcular la sortida i l'error. Si es minimitza l'error, aquest procés finalitza o es propaga cap enrere i ajusta els valors de pes.
Aquest procés es repeteix fins que l'error es redueix al mínim i s'obté la sortida desitjada.
Per què necessitem una propagació inversa?
Aquest és un mecanisme utilitzat per entrenar la xarxa neuronal relacionada amb el conjunt de dades concret. Alguns dels avantatges de la propagació posterior són
- És senzill, ràpid i fàcil de programar
- Només es sintonitzen els números de l'entrada i no cap altre paràmetre
- No cal tenir coneixements previs sobre la xarxa
- És flexible
- Un enfocament estàndard i funciona de manera eficient
- No requereix que l'usuari aprengui funcions especials
Tipus de xarxa de propagació inversa
Hi ha dos tipus de xarxes de propagació inversa. Es classifica a continuació:
Propagació inversa estàtica
La propagació inversa estàtica és un tipus de xarxa que té com a objectiu produir un mapatge d’una entrada estàtica per a una sortida estàtica. Aquest tipus de xarxes són capaces de resoldre problemes de classificació estàtica com el reconeixement òptic de caràcters (OCR).
Propagació posterior recurrent
La propagació recurrent recurrent és un altre tipus de xarxa emprada en l'aprenentatge de punt fix. Les activacions de la propagació recurrent recurrent es van avançant fins que assoleix un valor fix. Després d'això, es calcula un error i es propaga cap enrere. A programari , NeuroSolutions té la capacitat de realitzar la propagació recurrent recurrent.
Les diferències claus: la propagació inversa estàtica ofereix un mapatge immediat, mentre que el mapatge de la propagació inversa recurrent no és immediat.
Inconvenients de la propagació posterior
Els desavantatges de la propagació posterior són:
- La propagació posterior pot ser sensible a dades sorolloses i irregularitats
- El rendiment d'això depèn molt de les dades d'entrada
- Necessita un temps excessiu per entrenar-se
- La necessitat d'un mètode basat en matrius per a la propagació posterior en lloc de mini-batch
Aplicacions de propagació posterior
Les aplicacions són
- La xarxa neuronal està entrenada per enunciar cada lletra d'una paraula i una frase
- S'utilitza en el camp de reconeixement de veu
- S'utilitza en el camp del reconeixement de personatges i rostres
Preguntes freqüents
1). Per què necessitem una propagació posterior a les xarxes neuronals?
Aquest és un mecanisme utilitzat per entrenar la xarxa neuronal relacionada amb el conjunt de dades concret
2). Quin és l'objectiu de l'algorisme de propagació inversa?
L'objectiu d'aquest algorisme és crear un mecanisme d'entrenament per a xarxes neuronals per assegurar que la xarxa estigui capacitada per assignar les entrades a les seves sortides adequades.
3). Quin és el ritme d'aprenentatge a les xarxes neuronals?
La taxa d’aprenentatge es defineix en el context de l’optimització i minimització de la funció de pèrdua d’una xarxa neuronal. Es refereix a la velocitat amb què una xarxa neuronal pot aprendre noves dades anul·lant les dades antigues.
4). La xarxa neuronal és un algorisme?
Sí. Les xarxes neuronals són una sèrie d’algoritmes o regles d’aprenentatge dissenyades per identificar els patrons.
5). Quina és la funció d'activació d'una xarxa neuronal?
La funció d'activació d'una xarxa neuronal decideix si la neurona s'ha d'activar / activar o no en funció de la suma total.
En aquest article, el concepte de contrapropagació de les xarxes neuronals s’explica mitjançant un llenguatge senzill perquè el lector l’entengui. En aquest mètode, les xarxes neuronals s’entrenen a partir d’errors generats per esdevenir autosuficients i gestionar situacions complexes. Les xarxes neuronals tenen la capacitat d’aprendre amb precisió amb un exemple.
