WEBVTT 00:01.850 --> 00:07.340 Olá e bem-vindo de volta ao curso em deplorarmos hoje vamos terminar com a propagação traseira. 00:07.340 --> 00:11.520 Tudo bem, então, você conhece praticamente tudo o que precisamos saber sobre o 00:11.520 --> 00:17.990 que acontece no seu tudo que sabemos que existe um processo chamado propagação direta, onde a informação é inserida na 00:17.990 --> 00:24.620 camada de entrada e, em seguida, é propagada para a frente para obter nossos chapéus brancos nossos valores de saída e, 00:24.620 --> 00:29.240 em seguida, comparamos esses com os valores reais que temos em nosso conjunto de treinamento. 00:29.240 --> 00:36.110 E então calculamos os erros, então os erros são propagados novamente através da rede na 00:36.110 --> 00:41.570 direção oposta e isso nos permite treinar a rede ajustando os pesos. 00:41.660 --> 00:49.670 avançado conduzido por uma matemática muito interessante e sofisticada que nos permite ajustar os pesos. 00:49.670 --> 00:58.890 Portanto, a única coisa importante para lembrar aqui é que a propagação de volta é um algoritmo 00:59.030 --> 01:02.540 Todos eles, ao mesmo tempo, todos os pesos são ajustados simultaneamente. 01:02.540 --> 01:08.990 Então, se estivéssemos fazendo isso manualmente ou se chegarmos a um algoritmo de tipo muito diferente do que, 01:08.990 --> 01:14.150 mesmo se calculássemos o erro e depois estivéssemos tentando entender o efeito de cada um 01:14.150 --> 01:21.040 dos pesos no erro que teríamos de alguma forma ajuste cada um dos pesos independentemente de forma independente ou individual. 01:22.000 --> 01:29.170 A enorme vantagem do retrocesso e é uma coisa importante a lembrar é que durante 01:29.170 --> 01:35.910 o processo de propagação traseira, simplesmente por causa do modo como o algoritmo é estruturado. 01:36.850 --> 01:43.990 então você basicamente sabe qual parte do erro de cada um dos seus pesos na rede neural é responsável. 01:43.990 --> 01:47.400 Você pode ajustar todo o caminho ao mesmo tempo, 01:47.450 --> 01:54.220 Agora, esse é o principal princípio subjacente fundamental da propagação traseira. 01:54.220 --> 02:02.650 E foi por isso que ele pegou tão rapidamente na década de 1980 e este foi um grande avanço. 02:02.770 --> 02:08.890 E se você quiser saber mais sobre isso e como exatamente a matemática funciona em segundo plano, um 02:09.190 --> 02:14.800 bom artigo que já mencionamos é que as redes neurais e o aprendizado profundo são realmente 02:14.800 --> 02:16.640 um livro de Michael Nielsen. 02:16.720 --> 02:23.610 Você encontrará as matemáticas escritas e isso ajudará você a entender como exatamente isso é possível. 02:23.650 --> 02:30.550 se, do ponto de vista da intuição, a parte importante é lembrar que é isso que o atraso faz. 02:31.240 --> 02:33.310 Mas, por enquanto, para nossos propósitos, 02:33.310 --> 02:36.750 Ele ajusta todos os pesos ao mesmo tempo. 02:36.940 --> 02:43.300 E agora vamos simplesmente embrulhar tudo com um passo a passo do que acontece no 02:43.300 --> 02:45.370 treinamento de uma rede neural. 02:45.370 --> 02:51.000 Tudo bem, então, passo um, inicializamos aleatoriamente os pesos para números pequenos perto de zero, mas não zero. 02:51.010 --> 02:56.830 Nós realmente não nos concentramos na inicialização de pesos durante os tutoriais de intuição, mas então 02:56.830 --> 03:02.610 temos que começar em algum lugar e eles são inicializados com valores aleatórios perto de zero. 03:02.620 --> 03:09.730 através do processo de propagação por propagação, esses pesos são ajustados até o erro ser minimizado. 03:09.730 --> 03:11.690 E a partir daí, 03:11.970 --> 03:13.550 Portanto, a função de custo é minimizada. 03:13.820 --> 03:19.330 Então o passo dois insere a primeira observação de todos os seus conjuntos de dados para a primeira linha na 03:19.510 --> 03:21.440 entrada Lehre cada recurso é uma entrada. 03:21.440 --> 03:27.610 Então, basicamente, pegue os pentes e coloque-os nos nós de entrada separadamente para propagação da esquerda para a 03:27.610 --> 03:27.910 direita. 03:27.910 --> 03:32.620 nossa neurona de visão. A ativação é limitada pelos pesos em que os 03:32.620 --> 03:39.150 pesos determinam basicamente a importância de cada ativação de neurônios, então propagam a ativação até obter o resultado. 03:39.160 --> 03:43.100 Os neurônios são ativados de uma maneira que eles escolhem em 03:43.150 --> 03:43.850 Nesse caso. 03:43.990 --> 03:46.640 Então, basicamente, você se propaga da esquerda para a direita. 03:46.690 --> 03:50.110 Você vai todo o caminho até chegar e você obtém o seu chapéu. 03:50.320 --> 03:52.720 Em seguida, compare o resultado ao resultado real. 03:52.750 --> 03:58.140 Meça o erro gerado e, então, faça o retrocesso da direita para a esquerda, o ar é 03:58.150 --> 03:58.620 bipolar novamente. 03:58.630 --> 04:02.080 Atualize os pesos de acordo com o quanto eles são responsáveis ​​pelo erro. 04:02.260 --> 04:08.500 Mais uma vez, você pode calcular isso devido à forma como o algoritmo de perturbação de propagação 04:08.500 --> 04:13.750 posterior está estruturado, a taxa de aprendizado determina por quanto melhoramos a taxa de 04:13.990 --> 04:17.710 aprendizado como parâmetro que você pode controlar em sua rede neural. 04:17.710 --> 04:23.110 Passo 6 repita os passos 1 2 5 e atualize os pesos após cada observação. 04:23.320 --> 04:30.670 Isso é chamado de aprendizagem de reforço e, em nosso caso, foi descendência de gradiente estocástica ou repita os passos 1 04:30.670 --> 04:31.490 a 5. 04:31.510 --> 04:37.840 de gradiente completo ou um emblema verde Nissan ou uma mini descida gradiente lida e um passo sete, quando 04:37.870 --> 04:43.150 todo o trem passou por uma rede neural artificial que faz uma época refazer mais épocas. 04:43.150 --> 04:49.030 Mas dessa forma, é só depois de um lote de observações ou aprendendo por lotes, seja uma descida 04:49.040 --> 04:55.090 Então, basicamente, apenas continue fazendo isso e fazendo isso e fazendo isso e permitir que sua 04:55.120 --> 05:02.510 rede neural se treine melhor e melhor e melhor e ajuste-se constantemente enquanto você minimiza a função de custo. 05:02.740 --> 05:04.330 Então vamos lá. 05:04.420 --> 05:09.770 Essas são as etapas que você precisa tomar para construir suas redes neurais artificiais e treiná-las. 05:10.030 --> 05:16.060 E estes são os passos que você vai tomar até eu almoçar nos tutoriais práticos. 05:16.120 --> 05:19.520 Desejo-lhe a melhor sorte e espero vê-lo na próxima vez. 05:19.540 --> 05:21.280 Até então, aproveite a aprendizagem.