Taaksepäinlevitys
Takaisinkulku (backprop) on prosessi, jossa lasketaan, miten häviöfunktio muuttuu verkon jokaisen parametrin suhteen. Tavoitteena on päivittää parametreja siihen suuntaan, että häviö pienenee.
Tämän saavuttamiseksi käytetään gradienttien laskeutumista (gradient descent) ja lasketaan häviön derivaatat jokaisen kerroksen pre-aktivaatioarvojen (raaka ulostulo ennen aktivointifunktion soveltamista) suhteen ja propagaatioidaan ne taaksepäin.
Jokainen kerros vaikuttaa lopulliseen ennusteeseen, joten gradientit täytyy laskea rakenteellisesti:
- Suorita eteenpäin kulku;
- Laske häviön derivaatta ulostulon pre-aktivaatioon nähden;
- Propagoi tämä derivaatta taaksepäin kerrosten läpi käyttäen ketjusääntöä;
- Laske gradientit painoille ja siirroille niiden päivittämiseksi.
Gradientit kuvaavat funktion muutosnopeutta syötteidensä suhteen, eli ne ovat sen derivaattoja. Ne osoittavat, kuinka paljon pieni muutos painoissa, siirroissa tai aktivaatioissa vaikuttaa häviöfunktioon, ohjaten mallin oppimisprosessia gradienttien laskeutumisen avulla.
Notaatiot
Selkeyden vuoksi käytetään seuraavia merkintöjä:
- Wl on kerroksen l painomatriisi;
- bl on kerroksen l siirrovektori;
- zl on kerroksen l pre-aktivaatioiden vektori;
- al on kerroksen l aktivaatioiden vektori;
Kun asetetaan a0 arvoon x (syötteet), eteenpäin kulku perceptronissa, jossa on n kerrosta, voidaan kuvata seuraavalla operaatioketjulla:
a0z1a1=x,=W1a0+b1,=f1(z1),...zlal...=Wlal−1+bl,=fl(zl),...znany^...=Wnan−1+bn,=fn(zn),=an.Takaisinkytkennän matemaattista kuvausta varten otetaan käyttöön seuraavat merkinnät:
- dal: tappion derivaatta aktivaatioiden suhteen kerroksessa l;
- dzl: tappion derivaatta pre-aktivaatioden suhteen kerroksessa l (ennen aktivointifunktion soveltamista);
- dWl: tappion derivaatta painojen suhteen kerroksessa l;
- dbl: tappion derivaatta bias-termejen suhteen kerroksessa l.
Gradienttien laskeminen ulostulokerrokselle
Viimeisessä kerroksessa n lasketaan ensin tappion gradientti ulostulokerroksen aktivaatioiden suhteen, dan. Seuraavaksi, käyttäen ketjusääntöä, lasketaan tappion gradientti ulostulokerroksen pre-aktivaatioden suhteen:
dzn=dan⊙f′n(zn)⊙-symboli tarkoittaa alkiokohtaista kertolaskua. Koska työskentelemme vektoreiden ja matriisien kanssa, tavallinen kertolaskusymboli ⋅ tarkoittaa sen sijaan pistetuloa. f′n on ulostulokerroksen aktivointifunktion derivaatta.
Tämä suure ilmaisee, kuinka herkkä häviöfunktio on muutoksille ulostulokerroksen esiaaktivaatiossa.
Kun dzn on laskettu, lasketaan painojen ja biasien gradientit:
dWndbn=dzn⋅(an−1)T=dznmissä (an−1)T on edellisen kerroksen aktivaatioiden transponoitu vektori. Koska alkuperäinen vektori on nneurons×1 -vektori, transponoitu vektori on 1×nneurons.
Takaisinpäin etenemistä varten lasketaan derivaatta häviöstä suhteessa edellisen kerroksen aktivaatioihin:
dan−1=(Wn)T⋅dznGradienttien eteneminen piilokerroksiin
Jokaiselle piilokerrokselle l menettely on sama. Kun dal on annettu:
- Laske häviön derivaatta esiaaktivaatioiden suhteen;
- Laske painojen ja biasien gradientit;
- Laske dal−1 derivaatan etenemiseksi taaksepäin.
Tätä vaihetta toistetaan, kunnes saavutetaan syötekerros.
Painojen ja biasien päivittäminen
Kun gradientit on laskettu kaikille kerroksille, painot ja biasit päivitetään käyttämällä gradienttivähennystä:
Wlbl=Wl−α⋅dWl=bl−α⋅dblmissä α on oppimisnopeus, joka määrittää, kuinka paljon parametreja säädetään.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Awesome!
Completion rate improved to 4
Taaksepäinlevitys
Pyyhkäise näyttääksesi valikon
Takaisinkulku (backprop) on prosessi, jossa lasketaan, miten häviöfunktio muuttuu verkon jokaisen parametrin suhteen. Tavoitteena on päivittää parametreja siihen suuntaan, että häviö pienenee.
Tämän saavuttamiseksi käytetään gradienttien laskeutumista (gradient descent) ja lasketaan häviön derivaatat jokaisen kerroksen pre-aktivaatioarvojen (raaka ulostulo ennen aktivointifunktion soveltamista) suhteen ja propagaatioidaan ne taaksepäin.
Jokainen kerros vaikuttaa lopulliseen ennusteeseen, joten gradientit täytyy laskea rakenteellisesti:
- Suorita eteenpäin kulku;
- Laske häviön derivaatta ulostulon pre-aktivaatioon nähden;
- Propagoi tämä derivaatta taaksepäin kerrosten läpi käyttäen ketjusääntöä;
- Laske gradientit painoille ja siirroille niiden päivittämiseksi.
Gradientit kuvaavat funktion muutosnopeutta syötteidensä suhteen, eli ne ovat sen derivaattoja. Ne osoittavat, kuinka paljon pieni muutos painoissa, siirroissa tai aktivaatioissa vaikuttaa häviöfunktioon, ohjaten mallin oppimisprosessia gradienttien laskeutumisen avulla.
Notaatiot
Selkeyden vuoksi käytetään seuraavia merkintöjä:
- Wl on kerroksen l painomatriisi;
- bl on kerroksen l siirrovektori;
- zl on kerroksen l pre-aktivaatioiden vektori;
- al on kerroksen l aktivaatioiden vektori;
Kun asetetaan a0 arvoon x (syötteet), eteenpäin kulku perceptronissa, jossa on n kerrosta, voidaan kuvata seuraavalla operaatioketjulla:
a0z1a1=x,=W1a0+b1,=f1(z1),...zlal...=Wlal−1+bl,=fl(zl),...znany^...=Wnan−1+bn,=fn(zn),=an.Takaisinkytkennän matemaattista kuvausta varten otetaan käyttöön seuraavat merkinnät:
- dal: tappion derivaatta aktivaatioiden suhteen kerroksessa l;
- dzl: tappion derivaatta pre-aktivaatioden suhteen kerroksessa l (ennen aktivointifunktion soveltamista);
- dWl: tappion derivaatta painojen suhteen kerroksessa l;
- dbl: tappion derivaatta bias-termejen suhteen kerroksessa l.
Gradienttien laskeminen ulostulokerrokselle
Viimeisessä kerroksessa n lasketaan ensin tappion gradientti ulostulokerroksen aktivaatioiden suhteen, dan. Seuraavaksi, käyttäen ketjusääntöä, lasketaan tappion gradientti ulostulokerroksen pre-aktivaatioden suhteen:
dzn=dan⊙f′n(zn)⊙-symboli tarkoittaa alkiokohtaista kertolaskua. Koska työskentelemme vektoreiden ja matriisien kanssa, tavallinen kertolaskusymboli ⋅ tarkoittaa sen sijaan pistetuloa. f′n on ulostulokerroksen aktivointifunktion derivaatta.
Tämä suure ilmaisee, kuinka herkkä häviöfunktio on muutoksille ulostulokerroksen esiaaktivaatiossa.
Kun dzn on laskettu, lasketaan painojen ja biasien gradientit:
dWndbn=dzn⋅(an−1)T=dznmissä (an−1)T on edellisen kerroksen aktivaatioiden transponoitu vektori. Koska alkuperäinen vektori on nneurons×1 -vektori, transponoitu vektori on 1×nneurons.
Takaisinpäin etenemistä varten lasketaan derivaatta häviöstä suhteessa edellisen kerroksen aktivaatioihin:
dan−1=(Wn)T⋅dznGradienttien eteneminen piilokerroksiin
Jokaiselle piilokerrokselle l menettely on sama. Kun dal on annettu:
- Laske häviön derivaatta esiaaktivaatioiden suhteen;
- Laske painojen ja biasien gradientit;
- Laske dal−1 derivaatan etenemiseksi taaksepäin.
Tätä vaihetta toistetaan, kunnes saavutetaan syötekerros.
Painojen ja biasien päivittäminen
Kun gradientit on laskettu kaikille kerroksille, painot ja biasit päivitetään käyttämällä gradienttivähennystä:
Wlbl=Wl−α⋅dWl=bl−α⋅dblmissä α on oppimisnopeus, joka määrittää, kuinka paljon parametreja säädetään.
Kiitos palautteestasi!