Обсуждение статьи "Многослойный перцептрон и алгоритм обратного распространения ошибки"
Gostei muito do seu artigo, foi muito esclarecedor sobre os fundamentos do funcionamento de uma rede neural. Eu venho usando redes neurais para o desenvolvimento de eas a muito tempo, sempre aproveitando os critérios publicados nos artigos mas sem entender como eles funcionam.
Thank you, Jonathan! It is written in detail and interesting.
"Ниже представлена функция под названием initialize_network(), которая создает веса нашей нейронной сети."
И тут же ниже...
// Forward propagate input to a network output void forward_propagate(void) ... ...
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Многослойный перцептрон и алгоритм обратного распространения ошибки:
В последнее время, с ростом популярности этих двух методов на Matlab, R, Python, C ++ и т.д., было разработано много библиотек, которые получают обучающий набор в качестве входа и автоматически создают соответствующую нейронную сеть для предполагаемой проблемы. Мы собираемся понять, как работает базовый тип нейронной сети (перцептрон с одним нейроном и многослойный перцептрон), а также захватывающий алгоритм, который отвечает за обучение сети (градиентный спуск и обратное распространение). Эти сетевые модели будут основой для более сложных моделей, существующих на сегодняшний день.
Градиентный спуск — это процесс минимизации функции в направлении градиента функции стоимости.
Это подразумевает знание формы стоимости, а также производной, чтобы с определенной точки мы могли узнать наклон и могли двигаться в этом направлении, например, вниз по направлению к минимальному значению.
В машинном обучении мы можем использовать метод, который оценивает и обновляет веса для каждой итерации, называемый стохастическим градиентным спуском, чтобы минимизировать ошибку модели в наших обучающих данных.
Принцип работы этого алгоритма оптимизации заключается в том, что каждый обучающий экземпляр показывается модели по одному. Модель делает прогноз для обучающего экземпляра, вычисляет ошибку и обновляет модель, чтобы уменьшить ошибку для следующего прогноза.
Эту процедуру можно использовать для поиска набора весов в модели, который дает наименьшую ошибку для модели в обучающих данных.
Автор: Jonathan Pereira