|
Bajarilgan ishlarni sarhisob qilish:
Ma'lumotlarning ma'lum bir tanlanmasi (qiymatlar va javoblar) bilan hayvonlarning ikki turini, ularning tanasining hajmini belgilaydigan parametrlarga ko'ra sinflash masalasini olganimizdan so'ng, biz asosiy bilimlarga asoslanib, sun'iy neyronni dasturlashimiz mumkin edi. matematikaning, ya'ni kelib chiqishi (y = Ax) orqali o'tuvchi chiziqli funksiya. Chiziq ustida joylashgan ma'lumotlar bir sinfga, quyida joylashgan barcha ma'lumotlar esa boshqasiga tegishli bo'lishini aniqladik. Shunday qilib, biz o'zimizni olamizan ma'lumotlarni mustaqil ravishda tahlil qilish, ularni ikki turga ajratish uchun mashaqqatli ishdan mahrum qilar edik. Boshqacha qilib aytganda, biz ushbu jarayonni chiziqli sinflagich haqidagi bilim asosida yaratgan sun'iy neyronga ishonib topshirdik. Endi neyron olamizan barcha ma'lumotlarni mustaqil ravishda yagona kiritishda sinflaydi. Bundan tashqari, o'quv jarayonidan so'ng, o'qitilgan koeffitsient (A) yordamida biz foydalanuvchi tomonidan kiritilgan qiymatlar asosida ularning qaysi turiga mansubligini aniqlaydigan shartni osongina o'rnatishimiz mumkin.
Biz sinflash jarayonini to'liq avtomatlashtirdik! Hozir va kelajakda odatiy holatdan xalos bo'ldik. Va bu faqat bitta kirish va chiqish bilan neyronning "sun'iy hayoti" ning eng oddiy shakli uchun!
Ammo biologik, xuddi raqamli kabi, tabiat bir xil emas. Bundan oldin biz "issiqxona ma'lumotlari" ni ko'rib chiqdik - (y = Ax). Ma'lumotlar - biz ularni faqat bitta kirish bilan sinflashimiz mumkin. Ko'pgina sinflash holatlarida bitta koeffitsient (A) bilan, chiziqli funksiya bilan boshqarish mumkin emas, chiziqli funksiya imkoniyatining butun spektridan foydalanish kerak. Ushbu qo'shimcha imkoniyatlardan foydalanish uchun sun'iy neyronni unga yana bir qo'shish orqali rivojlantirish kerak.
Y o'qi orqali to'g'ri chiziqning o'tish nuqtasi uchun mas'ul bo'lgan ikkinchi kirishga (b) parametrni qo'shib, o'rganish koeffitsienti sifatida biz chiziqli funksiya imkoniyatlarining butun arsenalini olamiz (y = Ax + b) sinflash uchun.
Parametr (b), chiziqli funksiyada (y = Ax 1+ b) o'zgaruvchining qiymati bo'yicha ko’paytmaga ega bo'lmaganligi sababli, ikkinchi kirish, ma'lumotlar sifatida, har doim birini oladi (x 2 = 1). Chiqishda vazn yig'indisini qaerdan olamiz: y = Ax 1+ bx 2. X2 = 1 bo'lganda, chiqishda biz y = Ax 1+ b ni olamiz. Va nihoyat, kirish ma'lumotlari - vazn koeffitsientlari bilan koeffitsientlarni nomlash bilan ular o'zlarining belgilanishlarini o'zgartirdilar - w 1 = A va w 2 = b, natijada: y = w 1 x 1+ w 2.
Ammo birinchi holatda bo'lgani kabi, bizning neyronimizni o'rgatish natijasida biz kerakli javoblarni ololmaymiz. Ma'lum bo'lishicha, ikkinchi kirish o'quv jarayonida birinchisidan mustaqil ravishda ishtirok etadi va aksincha. Hamma ko‘rpani tortib oladi. Ikkala kirish joyi ham vaznlarini to'g'rilashga to'sqinlik qilayotgandek. Natijada, xatoni hisoblashda, har ikkala vaznkoeffitsientini sozlash uchun oldindan aytib bo'lmaydigan natijaga erishildi. Agar har bir keyingi mashg'ulot misolida xato funksiyasini kamaytirsak yaxshi bo'lar edi.
Ushbu muammoni hal qilish uchun biz gradiyent tushish usuli bilan tanishishimiz kerak edi. Ushbu usulni ko'rib chiqish jarayonida biz hosilalar bilan tanishdik, differentsiatsiya qoidalari bilan tanishdik. Natijada, har bir kirish uchun xatolikni kamaytirish yo'nalishi bo'yicha vaznkoeffitsientlarini qanday yangilashni bilib oldik.
Usulning mohiyati shundaki, xato funksiyasiga qarab, uning kirish qismidagi vaznkoeffitsientlarini uning pasayishiga to'g'ri keladigan tarzda yangilash. Boshqacha qilib aytganda, har bir kirishda vaznning shunday qiymatini toping, shunda bu vazn koeffitsientlari uchun chiqishdagi xato minimal bo'ladi va natijada ularning barchasini qondiradi.
Kerakli iboralarni qabul qilib, biz sun'iy neyronning ishlash matematikasida juda ko'p o'zgarishlar yo'qligiga amin bo'ldik. Biologik evolyutsiya singari, bizning ham asta-sekin sodir bo'ldi. Ilgari sinflash bo'yicha olamizan ko'nikmalar birozgina yaxshilandi va yangilari, o'z navbatida, eskilar asosida paydo bo'ldi.
Do'stlaringiz bilan baham: |
