Ukratko, vi ne možete izvršiti propagaciju unazad ako nemate funkciju cilja. Ne možete imati funkciju cilja ako nemate mjeru između predviđene vrijednosti i označene (stvarne ili podatke o obuci) vrijednosti. Dakle, da biste postigli "učenje bez nadzora", možda ćete izgubiti sposobnost izračunavanja nagiba.
Koja su ograničenja povratnog širenja?
Nedostaci algoritma povratnog širenja:
Oslanja se na input da bi izvršio određeni problem. Osetljiv na složene/bučne podatke. Potrebni su mu derivati aktivacijskih funkcija za vrijeme projektovanja mreže.
Kako popraviti povratno širenje?
Proces povratnog širenja u dubokoj neuronskoj mreži
- Unesite vrijednosti. X1=0,05. …
- Početna težina. W1=0,15 w5=0,40. …
- Bias Values. b1=0,35 b2=0,60.
- Ciljne vrijednosti. T1=0,01. …
- Naprijed. Da bismo pronašli vrijednost H1, prvo pomnožimo ulaznu vrijednost sa ponderima kao. …
- Prolaz unazad na izlaznom sloju. …
- Prolaz unazad na skrivenom sloju.
Je li povratno širenje efikasno?
Povratno širenje je efikasno, što ga čini izvodljivim za treniranje višeslojnih mreža koje sadrže mnogo neurona uz ažuriranje težine kako bi se smanjio gubitak.
Koji problem rješava povratno širenje kada radite s neuronskim mrežama?
U prilagođavanju neuronske mreže, propagacija unazad izračunava gradijentfunkciju gubitka u odnosu na težine mreže za jedan ulaz-izlaz primjer, i to čini efikasno, za razliku od naivnog direktnog izračunavanja nagiba u odnosu na svaku težinu pojedinačno.