Kort sagt, du kan ikke formidle tilbake hvis du ikke har en objektiv funksjon. Du kan ikke ha en objektiv funksjon hvis du ikke har et mål mellom en predikert verdi og en merket (faktisk eller treningsdata) verdi. Så for å oppnå "uovervåket læring", kan det hende du har mistet muligheten til å beregne en gradient.
Hva er begrensningene for tilbakeformidling?
Ulempene med algoritme for ryggutbredelse:
Den er avhengig av input for å utføre et spesifikt problem. Følsom for komplekse/støyende data. Den trenger derivatene av aktiveringsfunksjoner for nettverksdesigntiden.
Hvordan fikser du tilbakeformidling?
Backpropagation Process in Deep Neural Network
- Inndataverdier. X1=0,05. …
- Utgangsvekt. W1=0,15 w5=0,40. …
- Bias verdier. b1=0,35 b2=0,60.
- Målverdier. T1=0,01. …
- Foroverpass. For å finne verdien av H1 multipliserer vi først inngangsverdien fra vektene som. …
- Bakoverpassering ved utdatalaget. …
- Backoverpasning ved skjult lag.
Er tilbakespredning effektiv?
Backpropagation er effektiv, noe som gjør det mulig å trene flerlagsnettverk som inneholder mange nevroner mens vektene oppdateres for å minimere tap.
Hvilket problem løser backpropagation når du arbeider med nevrale nettverk?
Ved å tilpasse et nevr alt nettverk beregner backpropagation gradienten tiltapsfunksjonen med hensyn til vektene til nettverket for et enkelt input-output eksempel, og gjør det effektivt, i motsetning til en naiv direkte beregning av gradienten med hensyn til hver vekt individuelt.