پاورپوینت شبکه های عصبی مصنوعی

معرفی پروژه پاورپوینت شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی

الگوریتم BP

شبکه ای با n_inگره ورودی، n_hidden گره مخفی، و n_out گره خروجی ایجاد کنید.

همه وزنها را با یک مقدار تصادفی کوچک عدد دهی کنید.

تا رسیدن به شرط پایانی (کوچک شدن خطا) مراحل زیر را انجام دهید:

برای هر x متعلق به مثالهای آموزشی:

مثال X را به سمت جلو در شبکه انتشار دهید.

خطای E را به سمت عقب در شبکه انتشار دهید.

هر مثال آموزشی بصورت یک زوج (x,t) ارائه میشود که بردار x مقادیر ورودی و بردار t مقادیر هدف برای خروجی شبکه را تعیین می کنند.

معمولا الگوریتم BP پیش از خاتمه هزاران بار با استفاده همان داده های آموزشی تکرار میگردد شروط مختلفی را می توان برای خاتمه الگوریتم به کار برد:

توقف بعد از تکرار به دفعات معین

توقف وقتی که خطا از یک مقدار تعیین شده کمتر شود.

توقف وقتی که خطا در مثالهای مجموعه تائید از قاعده خاصی پیروی نماید.

اگر دفعات تکرار کم باشد خطا خواهیم داشت و اگر زیاد باشد مسئله Overfitting رخ خواهد داد.

قدرت نمایش توابع

اگر چه قدرت نمایش توابع به توسط یک شبکه feedforward بسته به عمق و گستردگی شبکه دارد، با این وجود موارد زیر را می توان به صورت قوانین کلی بیان نمود:

توابع بولی: هر تابع بولی را میتوان توسط یک شبکه دو لایه پیاده سازی نمود.

توابع پیوسته: هر تابع پیوسته محدود را می توان توسط یک شبکه دو لایه تقریب زد. تئوری مربوطه در مورد شبکه هایی که از تابع سیگموئید در لایه پنهان و لایه خطی در شبکه خروجی استفاده می کنند صادق است.

توابع دلخواه: هر تابع دلخواه را می توان با یک شبکه سه لایه تا حد قابل قبولی تفریب زد.

با این وجود باید در نظر داشت که فضای فرضیه جستجو شده توسط روش gradient deescent ممکن است در برگیرنده تمام مقادیر ممکن وزنها نباشد. ...

عناوین مطالب پاورپوینت

الگوریتم BP

انتشار به سمت جلو

انتشار به سمت عقب

شرط خاتمه

محنی یادگیری

مرور الگوریتم BP

افزودن ممنتم

قدرت نمایش توابع

فضای فرضیه و بایاس استقرا

مثال

قدرت نمایش لایه پنهان

نمودار خطا

قدرت تعمیم و overfitting

دلایل رخ دادن overfitting

راه حل

روشهای دیگر

منابع