Kort sagt, du kan inte göra back-propagation om du inte har en objektiv funktion. Du kan inte ha en objektiv funktion om du inte har ett mått mellan ett förutsagt värde och ett märkt (faktiskt eller träningsdata) värde. Så för att uppnå "oövervakad inlärning" kanske du har avstått från förmågan att beräkna en gradient.
Vilka är begränsningarna för tillbakaförökning?
Nackdelar med algoritm för ryggförökning:
Den förlitar sig på input för att utföra ett specifikt problem. Känslig för komplexa/brusiga data. Den behöver derivator av aktiveringsfunktioner för nätverksdesigntiden.
Hur fixar du tillbakaförökning?
Backpropagation Process in Deep Neural Network
- Inmatningsvärden. X1=0,05. …
- Startvikt. W1=0,15 w5=0,40. …
- Bias värden. b1=0,35 b2=0,60.
- Målvärden. T1=0,01. …
- Forward Pass. För att hitta värdet på H1 multiplicerar vi först inmatningsvärdet från vikterna som. …
- Bakåtpassning vid utdatalagret. …
- Bakåtpassning vid dolt lager.
Är backpropagation effektiv?
Backpropagation är effektivt, vilket gör det möjligt att träna flerskiktsnätverk som innehåller många neuroner samtidigt som man uppdaterar vikterna för att minimera förlusten.
Vilket problem löser backpropagation när man arbetar med neurala nätverk?
Vid anpassning av ett neur alt nätverk beräknar backpropagation gradienten förförlustfunktionen med avseende på nätverkets vikter för ett enskilt input–output exempel, och gör det effektivt, till skillnad från en naiv direkt beräkning av gradienten med avseende på varje vikt individuellt.