WEBVTT 00:01.850 --> 00:07.340 Hallo und willkommen zurück zu dem Kurs über das Beurteilen, den wir heute mit der Weiterverbreitung beenden. 00:07.340 --> 00:11.520 In Ordnung, also wissen wir so ziemlich alles, was wir über 00:11.520 --> 00:17.990 alles wissen müssen, was in Ihrem alles passiert, was wir wissen, dass es einen Prozess namens Weiterleitung gibt, bei 00:17.990 --> 00:24.620 dem Informationen in die Eingabeebene eingegeben und dann weitergeleitet werden, um unsere weißen Hüte zu erhalten Unsere Ausgabewerte und dann 00:24.620 --> 00:29.240 vergleichen wir diese mit den tatsächlichen Werten, die wir in unserem Trainingssatz haben. 00:29.240 --> 00:36.110 Und dann berechnen wir die Fehler, dann werden die Fehler wieder in entgegengesetzter Richtung durch das 00:36.110 --> 00:41.570 Netzwerk übertragen, sodass wir das Netzwerk durch Anpassen der Gewichte trainieren können. 00:41.660 --> 00:49.670 Es ist daher wichtig, sich daran zu erinnern, dass die Rückwärtsausbreitung ein fortschrittlicher Algorithmus 00:49.670 --> 00:58.890 ist, der von sehr interessanten und hochentwickelten Mathematiken gesteuert wird, die es uns ermöglichen, die Gewichte anzupassen. 00:59.030 --> 01:02.540 Alle werden gleichzeitig alle Gewichte gleichzeitig eingestellt. 01:02.540 --> 01:08.990 Wenn wir dies manuell tun oder wenn wir einen ganz anderen Algorithmus entwickeln würden als Even, wenn wir 01:08.990 --> 01:14.150 den Fehler berechnet hätten, dann würden wir versuchen zu verstehen, welchen Einfluss jede der 01:14.150 --> 01:21.040 Gewichte auf den Fehler hat, den wir irgendwie haben müssen stellen Sie die Gewichte unabhängig voneinander oder einzeln ein. 01:22.000 --> 01:29.170 Der große Vorteil der Backwardation ist der Schlüssel, den Sie sich merken sollten: 01:29.170 --> 01:35.910 Während des Fortpflanzungsprozesses ist dies nur auf die Struktur des Algorithmus zurückzuführen. 01:36.850 --> 01:43.990 Sie können alle Einstellungen gleichzeitig vornehmen, so dass Sie grundsätzlich wissen, für welchen Teil des Fehlers jedes 01:43.990 --> 01:47.400 Ihrer Gewichte im neuronalen Netzwerk verantwortlich ist. 01:47.450 --> 01:54.220 Nun, das ist das grundlegende Grundprinzip der Rückwärtsausbreitung. 01:54.220 --> 02:02.650 Deshalb hat es in den achtziger Jahren so schnell angezogen, dass dies ein großer Durchbruch war. 02:02.770 --> 02:08.890 Und wenn Sie mehr darüber erfahren möchten und wie genau die Mathematik im Hintergrund funktioniert, dann ist ein 02:09.190 --> 02:14.800 guter Artikel, den wir bereits erwähnt haben, die neuronalen Netzwerke, und Deep Learning ist tatsächlich ein 02:14.800 --> 02:16.640 Buch von Michael Nielsen. 02:16.720 --> 02:23.610 Sie werden feststellen, dass die Mathematik ausgeschrieben ist, und Sie werden verstehen, wie genau dies möglich ist. 02:23.650 --> 02:30.550 Aber jetzt für unsere Zwecke, wenn es aus Sicht der Intuition wichtig ist, sich daran zu erinnern, 02:31.240 --> 02:33.310 dass dies die Backwardation ist. 02:33.310 --> 02:36.750 Es passt alle Gewichte gleichzeitig an. 02:36.940 --> 02:43.300 Und jetzt werden wir einfach alles Schritt für Schritt durchgehen, was beim Training 02:43.300 --> 02:45.370 eines neuronalen Netzwerks passiert. 02:45.370 --> 02:51.000 In Ordnung, also Schritt eins, haben wir die Gewichte zufällig auf kleine Zahlen nahe Null, aber nicht Null, initialisiert. 02:51.010 --> 02:56.830 Wir haben uns nicht wirklich auf die Initialisierung von Gewichtungen in den Intuitions-Tutorials konzentriert, aber 02:56.830 --> 03:02.610 dann müssen wir irgendwo anfangen und sie werden mit zufälligen Werten nahe Null initialisiert. 03:02.620 --> 03:09.730 Von dort aus werden die Gewichte so eingestellt, bis der Fehler 03:09.730 --> 03:11.690 minimiert ist. 03:11.970 --> 03:13.550 So wird die Kostenfunktion minimiert. 03:13.820 --> 03:19.330 Dann Schritt zwei Eingabe der ersten Beobachtung alle Ihre Datensätze in der ersten Zeile in der Eingabe. 03:19.510 --> 03:21.440 Jede Funktion ist eine Eingabe. 03:21.440 --> 03:27.910 Nimm also die Kämme und lege sie getrennt in die Eingangsknoten, um sie von links nach rechts zu verbreiten. 03:27.910 --> 03:32.620 Die Neuronen werden auf eine Art und Weise aktiviert, die sie in unserer Vision auswählen. 03:32.620 --> 03:39.150 Die Aktivierung der Neuronen wird durch die Gewichte begrenzt, deren Gewichte im Wesentlichen bestimmen, wie wichtig die Aktivierung jeder Neuronen ist. Anschließend 03:39.160 --> 03:43.100 wird die Aktivierung so lange fortgesetzt, bis das Ergebnis ein Ergebnis ist. 03:43.150 --> 03:43.850 In diesem Fall. 03:43.990 --> 03:46.640 Du propagierst also grundsätzlich von links nach rechts. 03:46.690 --> 03:50.110 Du gehst den ganzen Weg, bis du ankommst und deinen Hut hast. 03:50.320 --> 03:52.720 Vergleichen Sie dann das Ergebnis mit dem tatsächlichen Ergebnis. 03:52.750 --> 03:58.140 Messen Sie den generierten Fehler und machen Sie dann die Rückwärtsbewegung von rechts nach 03:58.150 --> 03:58.620 links. 03:58.630 --> 04:02.080 Aktualisieren Sie die Gewichte entsprechend, wie viel sie für den Fehler verantwortlich sind. 04:02.260 --> 04:08.500 Wiederum können Sie berechnen, dass die Lernrate aufgrund der Art und Weise, wie der rückwärts propagierte 04:08.500 --> 04:13.750 Störungsalgorithmus strukturiert ist, davon abhängt, um wie viel wir die Lernrate als Lernparameter 04:13.990 --> 04:17.710 aktualisieren, die Sie in Ihrem neuronalen Netzwerk steuern können. 04:17.710 --> 04:23.110 Schritt 6 Wiederholen Sie die Schritte 1 2 5 und aktualisieren Sie die Gewichte nach jeder Beobachtung. 04:23.320 --> 04:30.670 Dies wird als Verstärkungslernen bezeichnet und in unserem Fall war dies ein stochastischer Gradientenabfall oder wiederholen Sie die Schritte 1 04:30.670 --> 04:31.490 bis 5. 04:31.510 --> 04:37.840 Aber so ist es nur nach einer Reihe von Beobachtungen oder Batch-Lernen, es ist entweder ein 04:37.870 --> 04:43.150 voller Gradientenabstieg oder ein grüner Nissan-Abzeichen oder ein Mini-Gradientenabstieg und Schritt sieben, wenn 04:43.150 --> 04:49.030 der gesamte Zug ein künstliches neuronales Netzwerk durchlaufen hat, wodurch eine Epoche mehr Epochen macht. 04:49.040 --> 04:55.090 Also, machen Sie das einfach weiter und tun Sie das und tun Sie es und 04:55.120 --> 05:02.510 um Ihrem neuronalen Netzwerk zu ermöglichen, immer besser zu trainieren und sich ständig anzupassen, während Sie die Kostenfunktion minimieren. 05:02.740 --> 05:04.330 Also los geht's. 05:04.420 --> 05:09.770 Dies sind die Schritte, die Sie unternehmen müssen, um Ihre künstlichen neuronalen Netzwerke aufzubauen und zu trainieren. 05:10.030 --> 05:16.060 Und das sind die Schritte, die Sie unternehmen werden, bis ich in den praktischen Übungen zu Mittag gegessen habe. 05:16.120 --> 05:19.520 Ich wünsche Ihnen viel Glück und ich freue mich darauf, Sie das nächste Mal zu sehen. 05:19.540 --> 05:21.280 Bis dahin viel Spaß beim Lernen.