การแพร่กระจายย้อนกลับ (backpropagation) เป็นขั้นตอนวิธีการเรียนรู้ของเครื่องสำหรับโครงข่ายประสาทเทียม
ภาพรวม
การแพร่กระจายย้อนกลับเป็นขั้นตอนวิธีที่สามารถทำการปรับแก้ (เรียนรู้) ค่าพารามิเตอร์น้ำหนักของโครงข่ายประสาทเทียม ซึ่งเป็นแบบจำลองทางคณิตศาสตร์ได้ไม่ว่าจะมีกี่ชั้นก็ตาม ได้รับการนำมาใช้เป็นวิธีการเรียนรู้หลักสำหรับการเรียนรู้เชิงลึก
ขั้นตอนวิธีมีดังนี้:
- กำหนดตัวอย่างโครงข่ายประสาทเทียมเพื่อการเรียนรู้
- ทำการคำนวณให้ได้ค่าขาออกของโครงข่าย แล้วหาค่าความผิดพลาด
- คำนวณค่าผลลัพธ์ที่คาดหวังและค่าสเกลสำหรับเซลล์ประสาทแต่ละเซลล์ และความแตกต่างระหว่างผลลัพธ์ที่คาดหวังและค่าจริง
- ทำการปรับแก้ค่าพารามิเตอร์น้ำหนักของเซลล์ประสาทแต่ละเซลล์เพื่อทำให้ข้อผิดพลาดลดลง
- พิจารณาว่าเซลล์ประสาทในระยะก่อนหน้าที่เชื่อมต่อด้วยน้ำหนักที่มากขึ้นจะต้องรับผิดชอบต่อข้อผิดพลาดในส่วนนั้น
- ทำการประมวลผลคล้ายกันนี้สำหรับกลุ่มของเซลล์ประสาทในขั้นก่อนหน้า และย้อนต่อไปยังขั้นก่อนหน้านั้นอีก
เมื่อทำตามขั้นตอนนี้แล้ว ค่าความผิดพลาดจะถูกแพร่กระจายย้อนกลับจากเซลล์ในชั้นสุดท้ายไปสู่ชั้นแรกสุด ทำให้ค่าพารามิเตอร์น้ำหนักในเซลล์ทั้งหมดได้รับการปรับแก้ ในทางเทคนิคแล้วการแพร่กระจายย้อนกลับจะคำนวณความชันของข้อผิดพลาดสำหรับพารามิเตอร์น้ำหนักที่เปลี่ยนแปลงค่าได้บนโครงข่าย ค่าความชันนี้มักใช้ในวิธีการเคลื่อนลงตามความชัน ซึ่งเป็นขั้นตอนวิธีง่าย ๆ ที่ใช้ในการลดข้อผิดพลาดให้เหลือน้อยที่สุด คำว่าการแพร่กระจายย้อนกลับยังใช้ในความหมายทั่วไปกว่านั้นได้ โดยครอบคลุมขั้นตอนการค้นหาความชันและการเคลื่อนลงแบบสุ่มที่ชันที่สุด
ฟังก์ชันกระตุ้นที่ใช้ในเซลล์ประสาทเทียมจะต้องสร้าง นอกจากนี้ยังมีความเกี่ยวข้องอย่างใกล้ชิดกับ
เนื่องจากนี่เป็นวิธีแก้ปัญหาการหาค่าเหมาะที่สุดทางคณิตศาสตร์ประเภทหนึ่ง จึงมีการนำการเรียนรู้แบบเป็นชุดหรือมาใช้ โดยทั่วไปแล้วจะทำการเรียนรู้โดยแบ่งข้อมูลเป็นชุดย่อยแล้วใช้วิธีการเคลื่อนลงตามความชันแบบเฟ้นสุ่ม
อ้างอิง
- "We describe a new learning procedure, back-propagation, for networks of neurone-like units." p.533 of Rumelhart (1986)
- Paul J. Werbos (1994). The Roots of Backpropagation. From Ordered Derivatives to Neural Networks and Political Forecasting. New York, NY: John Wiley & Sons, Inc.
wikipedia, แบบไทย, วิกิพีเดีย, วิกิ หนังสือ, หนังสือ, ห้องสมุด, บทความ, อ่าน, ดาวน์โหลด, ฟรี, ดาวน์โหลดฟรี, mp3, วิดีโอ, mp4, 3gp, jpg, jpeg, gif, png, รูปภาพ, เพลง, เพลง, หนัง, หนังสือ, เกม, เกม, มือถือ, โทรศัพท์, Android, iOS, Apple, โทรศัพท์โมบิล, Samsung, iPhone, Xiomi, Xiaomi, Redmi, Honor, Oppo, Nokia, Sonya, MI, PC, พีซี, web, เว็บ, คอมพิวเตอร์
karaephrkracayyxnklb backpropagation epnkhntxnwithikareriynrukhxngekhruxngsahrbokhrngkhayprasathethiymphaphrwmkaraephrkracayyxnklbepnkhntxnwithithisamarththakarprbaek eriynru khapharamietxrnahnkkhxngokhrngkhayprasathethiym sungepnaebbcalxngthangkhnitsastridimwacamikichnktam idrbkarnamaichepnwithikareriynruhlksahrbkareriynruechingluk khntxnwithimidngni kahndtwxyangokhrngkhayprasathethiymephuxkareriynru thakarkhanwnihidkhakhaxxkkhxngokhrngkhay aelwhakhakhwamphidphlad khanwnkhaphllphththikhadhwngaelakhaseklsahrbesllprasathaetlaesll aelakhwamaetktangrahwangphllphththikhadhwngaelakhacring thakarprbaekkhapharamietxrnahnkkhxngesllprasathaetlaesllephuxthaihkhxphidphladldlng phicarnawaesllprasathinrayakxnhnathiechuxmtxdwynahnkthimakkhuncatxngrbphidchxbtxkhxphidphladinswnnn thakarpramwlphlkhlayknnisahrbklumkhxngesllprasathinkhnkxnhna aelayxntxipyngkhnkxnhnannxik emuxthatamkhntxnniaelw khakhwamphidphladcathukaephrkracayyxnklbcakesllinchnsudthayipsuchnaerksud thaihkhapharamietxrnahnkinesllthnghmdidrbkarprbaek inthangethkhnikhaelwkaraephrkracayyxnklbcakhanwnkhwamchnkhxngkhxphidphladsahrbpharamietxrnahnkthiepliynaeplngkhaidbnokhrngkhay khakhwamchnnimkichinwithikarekhluxnlngtamkhwamchn sungepnkhntxnwithingay thiichinkarldkhxphidphladihehluxnxythisud khawakaraephrkracayyxnklbyngichinkhwamhmaythwipkwannid odykhrxbkhlumkhntxnkarkhnhakhwamchnaelakarekhluxnlngaebbsumthichnthisud fngkchnkratunthiichinesllprasathethiymcatxngsrang nxkcakniyngmikhwamekiywkhxngxyangiklchidkb enuxngcakniepnwithiaekpyhakarhakhaehmaathisudthangkhnitsastrpraephthhnung cungmikarnakareriynruaebbepnchudhruxmaich odythwipaelwcathakareriynruodyaebngkhxmulepnchudyxyaelwichwithikarekhluxnlngtamkhwamchnaebbefnsumxangxing We describe a new learning procedure back propagation for networks of neurone like units p 533 of Rumelhart 1986 Paul J Werbos 1994 The Roots of Backpropagation From Ordered Derivatives to Neural Networks and Political Forecasting New York NY John Wiley amp Sons Inc