Lühid alt öeldes ei saa teha tagasipaljutamist, kui teil pole sihtfunktsiooni. Kui teil pole prognoositud väärtuse ja märgistatud (tegelikud või treeninguandmed) väärtuse vahelist mõõdikut, ei saa teil olla sihtfunktsiooni. Järelevalveta õppimise saavutamiseks võib teil olla võimalus gradient arvutada.
Millised on tagasilevitamise piirangud?
Tagasi levitamise algoritmi puudused:
See tugineb konkreetse probleemi lahendamisel sisendile. Tundlik keeruliste/mürarikaste andmete suhtes. See vajab võrgu kavandamise aja aktiveerimisfunktsioonide tuletisi.
Kuidas parandada tagasilevi?
Tagasi levitamise protsess sügavas närvivõrgus
- Sisestage väärtused. X1=0,05. …
- Algkaal. W1=0,15 w5=0,40. …
- Bias Values. b1=0,35 b2=0,60.
- Sihtväärtused. T1=0,01. …
- Edasi pääse. H1 väärtuse leidmiseks korrutame esm alt sisendväärtuse kaaludest as. …
- Tagasi liikumine väljundkihis. …
- Tagasi liikumine peidetud kihil.
Kas tagasilevi on tõhus?
Tagasi levitamine on tõhus, mistõttu on võimalik treenida paljusid neuroneid sisaldavaid mitmekihilisi võrke, ajakohastades samal ajal kaalusid kadude minimeerimiseks.
Millise probleemi lahendab tagasilevi neurovõrkudega töötamisel?
Närvivõrgu paigaldamisel arvutab tagasilevi kaotusfunktsioon võrgu kaalude suhtes ühe sisend-väljund näite puhul ja teeb seda tõhus alt, erinev alt gradiendi naiivsest otsesest arvutamisest iga kaalu suhtes eraldi.
