Discussão do artigo "Rede neural na prática: Retro propagação manual"

 

Novo artigo Rede neural na prática: Retro propagação manual foi publicado:

Neste artigo, começaremos a ter uma base de como a retro propagação funciona. Entender esta base, é necessária para se conseguir compreender, como diversos perceptrons conseguem ajustar seus parâmetros individualmente, mesmo quando temos uma quantidade arbitrária deles presentes em uma rede. O objetivo aqui, não será implementar a retro propagação, mas criar um mecanismo simples para que você consiga entender como ela funciona.

No artigo anterior Rede neural na prática: Iniciando a corrente, começamos a esboçar aquilo que seria a nossa primeira rede perceptron de uso mais geral. Tal rede, na verdade, não é exatamente uma rede, mas sim a tentativa de ligação de dois perceptrons em série. O objetivo seria demonstrar como funciona o mecanismo, que faria, ou melhor dizendo, permitiria a perceptrons que aparentemente estariam isolados, pudessem trabalhar em conjunto, como se fossem uma única entidade. Apesar de podermos utilizar um número arbitrário de perceptrons, no momento, sugiro que façamos uso apenas de dois. Já que um número maior, traria certas complicações desnecessárias no momento. Até mesmo o número de entradas e saídas deverá permanecer como sendo o número mínimo necessário. Pelo simples fato de que quanto mais informação tivermos para ser analisado, mais complicado se torna entender como as coisas funcionam.

Você pode ter notado, que os perceptrons estavam tentando convergir para uma solução. Contudo, estavam tentando fazer isto de uma forma totalmente individualizada. Isto por que, até o atual momento, o que se encontra de fato implementado, nos possibilita apenas construir algo similar ao que pode ser visto logo abaixo.


O objetivo deste artigo será de demonstrar como poderemos fazer com que a nossa tentativa de ligar dois ou mais perceptrons possa funcionar. Isto de forma que eles passem a trabalhar em conjunto, e não como sendo coisas individuais.

Autor: Daniel Jose