Pe scurt, nu puteți face propagarea inversă dacă nu aveți o funcție obiectiv. Nu puteți avea o funcție obiectivă dacă nu aveți o măsură între o valoare prezisă și o valoare etichetată (date reale sau de antrenament). Deci, pentru a obține „învățare nesupravegheată”, este posibil să renunțați la capacitatea de a calcula un gradient.
Care sunt limitările propagării inverse?
Dezavantajele algoritmului de propagare inversă:
Se bazează pe intrare pentru a rezolva o anumită problemă. Sensibilă la date complexe/zgomotoase. Are nevoie de derivatele funcțiilor de activare pentru timpul de proiectare a rețelei.
Cum remediați propagarea inversă?
Proces de propagare inversă în rețeaua neuronală profundă
- Valori introduse. X1=0,05. …
- Greutate inițială. W1=0,15 w5=0,40. …
- Valori de părtinire. b1=0,35 b2=0,60.
- Valori țintă. T1=0,01. …
- Pasă înainte. Pentru a găsi valoarea lui H1, înmulțim mai întâi valoarea de intrare din ponderi ca. …
- Trecere înapoi la stratul de ieșire. …
- Pasare înapoi la stratul Ascuns.
Este eficientă propagarea inversă?
Propagarea inversă este eficientă, ceea ce face posibilă antrenarea rețelelor multistrat care conțin mulți neuroni în timp ce se actualizează ponderile pentru a minimiza pierderile.
Ce problemă rezolvă propagarea inversă atunci când lucrați cu rețele neuronale?
La montarea unei rețele neuronale, backpropagation calculează gradientulfuncția de pierdere în raport cu ponderile rețelei pentru un singur exemplu de intrare-ieșire și face acest lucru în mod eficient, spre deosebire de un calcul direct naiv al gradientului în raport cu fiecare greutate individual.
