Ringkasnya, anda tidak boleh melakukan perambatan belakang jika anda tidak mempunyai fungsi objektif. Anda tidak boleh mempunyai fungsi objektif jika anda tidak mempunyai ukuran antara nilai ramalan dan nilai berlabel (data sebenar atau latihan). Jadi untuk mencapai "pembelajaran tanpa pengawasan", anda mungkin kehilangan keupayaan untuk mengira kecerunan.
Apakah batasan perambatan belakang?
Kelemahan Algoritma Perambatan Belakang:
Ia bergantung pada input untuk melaksanakan masalah tertentu. Sensitif kepada data yang kompleks/bising. Ia memerlukan derivatif fungsi pengaktifan untuk masa reka bentuk rangkaian.
Bagaimanakah anda membetulkan perambatan belakang?
Proses Penyebaran Belakang dalam Rangkaian Neural Dalam
- Nilai input. X1=0.05. …
- Berat awal. W1=0.15 w5=0.40. …
- Nilai Bias. b1=0.35 b2=0.60.
- Nilai Sasaran. T1=0.01. …
- Hadapan Pas. Untuk mencari nilai H1 kita mula-mula mendarabkan nilai input daripada pemberat sebagai. …
- Hantaran ke belakang pada lapisan keluaran. …
- Lapisan belakang pada lapisan Tersembunyi.
Adakah perambatan balik cekap?
Backpropagation adalah cekap, menjadikannya bersesuaian untuk melatih rangkaian berbilang lapisan yang mengandungi banyak neuron sambil mengemas kini pemberat untuk meminimumkan kehilangan.
Apakah masalah yang diselesaikan oleh perambatan balik apabila bekerja dengan rangkaian saraf?
Dalam memasangkan rangkaian saraf, perambatan belakang mengira kecerunanfungsi kehilangan berkenaan dengan pemberat rangkaian untuk contoh input–output tunggal, dan melakukannya dengan cekap, tidak seperti pengiraan langsung naif bagi kecerunan berkenaan dengan setiap berat secara individu.
