WEBVTT 00:01.850 --> 00:07.340 Salve e bentornati al corso sulla deplorazione di oggi, andremo a concludere con la propagazione posteriore. 00:07.340 --> 00:11.520 Va bene così sapete praticamente tutto ciò che dobbiamo sapere su ciò che 00:11.520 --> 00:17.990 accade nel vostro tutto ciò che sappiamo che esiste un processo chiamato Propagazione diretta dove le informazioni sono inserite nel 00:17.990 --> 00:24.620 livello di input e poi propagate in avanti per ottenere i nostri cappelli bianchi i nostri valori di output e 00:24.620 --> 00:29.240 quindi li confrontiamo con i valori effettivi che abbiamo nel nostro set di allenamento. 00:29.240 --> 00:36.110 E poi calcoliamo gli errori, quindi gli errori vengono propagati attraverso la rete nella direzione 00:36.110 --> 00:41.570 opposta e ciò ci consente di addestrare la rete regolando i pesi. 00:41.660 --> 00:49.670 da una matematica molto interessante e sofisticata che ci consente di aggiustare i pesi. 00:49.670 --> 00:58.890 Quindi l'unica cosa importante da ricordare qui è che la retropropagazione è un algoritmo avanzato guidato 00:59.030 --> 01:02.540 Tutti nello stesso momento tutti i pesi sono regolati simultaneamente. 01:02.540 --> 01:08.990 Quindi, se lo stessimo facendo manualmente o se stessimo inventando un tipo di algoritmo molto diverso 01:08.990 --> 01:14.150 da quello anche se calcolassimo l'errore e poi stessimo cercando di capire quale 01:14.150 --> 01:21.040 effetto ha ciascuno dei pesi sull'errore avremmo in qualche modo regolare ciascuno dei pesi indipendentemente indipendentemente o individualmente. 01:22.000 --> 01:29.170 L'enorme vantaggio della retrocessione e una cosa fondamentale da ricordare è che durante il 01:29.170 --> 01:35.910 processo di back propagation semplicemente per il modo in cui è strutturato l'algoritmo. 01:36.850 --> 01:43.990 tempo in modo da sapere sostanzialmente quale parte dell'errore è responsabile per ciascuno dei tuoi pesi nella rete neurale. 01:43.990 --> 01:47.400 Sei in grado di regolare tutto contemporaneamente allo stesso 01:47.450 --> 01:54.220 Questo è il principio fondamentale fondamentale alla base della propagazione del dorso. 01:54.220 --> 02:02.650 E questo è il motivo per cui è cresciuto così rapidamente negli anni '80 e questo è stato un importante passo avanti. 02:02.770 --> 02:08.890 E se ti piacerebbe saperne di più su questo e su come esattamente la matematica lavori in background, 02:09.190 --> 02:14.800 un buon articolo che abbiamo già menzionato è le reti neurali e l'apprendimento profondo è in realtà 02:14.800 --> 02:16.640 un libro di Michael Nielsen. 02:16.720 --> 02:23.610 Troverai la matematica scritta e ti aiuterà a capire come esattamente questo è possibile. 02:23.650 --> 02:30.550 scopi se da un punto di vista dell'intuizione la parte importante è ricordare che questo è ciò che fa l'arretratezza. 02:31.240 --> 02:33.310 Ma per ora per i nostri 02:33.310 --> 02:36.750 Regola tutti i pesi allo stesso tempo. 02:36.940 --> 02:43.300 E ora avvolgeremo tutto con una procedura passo-passo di ciò che accade nell'addestramento 02:43.300 --> 02:45.370 di una rete neurale. 02:45.370 --> 02:51.000 D'accordo, quindi, il primo passo inizializzammo i pesi a piccoli numeri vicini allo zero ma non zero. 02:51.010 --> 02:56.830 Non ci siamo concentrati sull'inizializzazione dei pesi durante i tutorial di intuizione, ma poi 02:56.830 --> 03:02.610 dobbiamo iniziare da qualche parte e sono inizializzati con valori casuali vicini allo zero. 03:02.620 --> 03:09.730 processo di propagazione per propagazione questi pesi vengono regolati fino a quando l'errore non viene minimizzato. 03:09.730 --> 03:11.690 E da lì attraverso il 03:11.970 --> 03:13.550 Quindi la funzione di costo è ridotta al minimo. 03:13.820 --> 03:19.330 Quindi passo due ingressi la prima osservazione tutti i tuoi set di dati alla prima riga nell'input 03:19.510 --> 03:21.440 Lehre ogni caratteristica è un input. 03:21.440 --> 03:27.610 Quindi, in pratica prendi i pettini e inseriscili nei nodi di input separatamente per la propagazione da sinistra a 03:27.610 --> 03:27.910 destra. 03:27.910 --> 03:32.620 nella nostra visione L'attivazione dei neuroni è limitata dai pesi i pesi 03:32.620 --> 03:39.150 determinano fondamentalmente quanto sia importante l'attivazione di ciascun neurone per poi propagare l'attivazione fino a ottenere un risultato. 03:39.160 --> 03:43.100 I neuroni sono attivati ​​in un modo che essi selezionano 03:43.150 --> 03:43.850 In questo caso. 03:43.990 --> 03:46.640 Quindi fondamentalmente ti proponi da sinistra a destra. 03:46.690 --> 03:50.110 Vai fino in fondo e ottieni il tuo cappello. 03:50.320 --> 03:52.720 Quindi confrontare il risultato con il risultato effettivo. 03:52.750 --> 03:58.140 Misura l'errore generato e poi fai il backwardation da destra a sinistra l'aria è di nuovo 03:58.150 --> 03:58.620 bipolare. 03:58.630 --> 04:02.080 Aggiorna i pesi in base a quanto sono responsabili dell'errore. 04:02.260 --> 04:08.500 Anche in questo caso si è in grado di calcolare che, a causa del modo in cui è 04:08.500 --> 04:13.750 strutturato l'algoritmo di perturbazione del dorso, il tasso di apprendimento decide di quanto si aggiorna 04:13.990 --> 04:17.710 il peso come parametro che è possibile controllare nella rete neurale. 04:17.710 --> 04:23.110 Passaggio 6 Ripetere i passaggi 1 2 5 e aggiornare i pesi dopo ogni osservazione. 04:23.320 --> 04:30.670 Questo è chiamato apprendimento di rinforzo e nel nostro caso era la discesa del gradiente stocastico o ripetere i passaggi da 1 04:30.670 --> 04:31.490 a 5. 04:31.510 --> 04:37.840 tratta di una discesa a gradiente completo o Nissan verde con badge o mini discesa a gradiente e gradino sette 04:37.870 --> 04:43.150 quando l'intero treno è passato attraverso una rete neurale artificiale che fa rifare un'epoca in altre epoche. 04:43.150 --> 04:49.030 Ma in questo modo è solo dopo una serie di osservazioni o di apprendimento in batch che si 04:49.040 --> 04:55.090 Quindi, in pratica, continuate a farlo, facendo ciò e facendo in modo che la vostra 04:55.120 --> 05:02.510 rete neurale si alleni meglio, sempre meglio, e si adegui costantemente riducendo al minimo la funzione di costo. 05:02.740 --> 05:04.330 Quindi eccoci. 05:04.420 --> 05:09.770 Questi sono i passi che devi compiere per costruire le tue reti neurali artificiali e addestrarlo. 05:10.030 --> 05:16.060 E questi sono i passi che farai fino a quando pranzerò nei tutorial pratici. 05:16.120 --> 05:19.520 Ti auguro buona fortuna e non vedo l'ora di vederti la prossima volta. 05:19.540 --> 05:21.280 Fino ad allora goditi l'apprendimento.