WEBVTT 00:01.850 --> 00:07.340 Hola y bienvenidos de nuevo al curso sobre deplorar hoy, vamos a concluir con la propagación de regreso. 00:07.340 --> 00:11.520 De acuerdo, sabemos casi todo lo que necesitamos saber sobre lo que 00:11.520 --> 00:17.990 sucede en todo lo que sabemos que hay un proceso llamado Reenvío directo donde la información se ingresa en 00:17.990 --> 00:24.620 la capa de entrada y luego se propaga hacia adelante para obtener nuestros sombreros blancos nuestros valores de salida y 00:24.620 --> 00:29.240 luego los comparamos con los valores reales que tenemos en nuestro conjunto de capacitación. 00:29.240 --> 00:36.110 Y luego calculamos los errores y luego los errores se propagan a través de la red en 00:36.110 --> 00:41.570 la dirección opuesta y eso nos permite entrenar la red ajustando los pesos. 00:41.660 --> 00:49.670 algoritmo avanzado impulsado por matemáticas muy interesantes y sofisticadas que nos permite ajustar los pesos. 00:49.670 --> 00:58.890 Entonces, la clave de una cosa importante para recordar aquí es que la propagación de retorno es un 00:59.030 --> 01:02.540 Todos ellos al mismo tiempo todos los pesos se ajustan simultáneamente. 01:02.540 --> 01:08.990 Entonces, si lo hiciéramos manualmente o si tuviéramos un tipo de algoritmo muy diferente de Aún si calculamos 01:08.990 --> 01:14.150 el error y luego intentamos entender qué efecto tiene cada uno de los pesos 01:14.150 --> 01:21.040 en el error, de alguna manera tendríamos que ajustar cada una de las pesas de forma independiente o individualmente. 01:22.000 --> 01:29.170 La gran ventaja de backwardation y es una cosa clave para recordar es que durante el 01:29.170 --> 01:35.910 proceso de propagación de retorno simplemente debido a la forma en que se estructura el algoritmo. 01:36.850 --> 01:43.990 que básicamente sabes de qué parte del error es responsable cada uno de tus pesos en la red neuronal. 01:43.990 --> 01:47.400 Puedes ajustar todo el camino al mismo tiempo, así 01:47.450 --> 01:54.220 Ahora ese es el principio fundamental fundamental subyacente de la propagación hacia atrás. 01:54.220 --> 02:02.650 Y esta fue la razón por la que se recuperó tan rápidamente en la década de 1980 y este fue un gran avance. 02:02.770 --> 02:08.890 Y si desea obtener más información sobre eso y cómo funcionan exactamente las matemáticas en segundo plano, entonces un 02:09.190 --> 02:14.800 buen artículo que ya hemos mencionado es el de las redes neuronales y el aprendizaje profundo, en realidad 02:14.800 --> 02:16.640 es un libro de Michael Nielsen. 02:16.720 --> 02:23.610 Encontrarás las matemáticas escritas y te ayudarán a entender cómo es posible esto. 02:23.650 --> 02:30.550 si desde el punto de vista de la intuición, la parte importante es recordar que eso es lo que hace la backwardation. 02:31.240 --> 02:33.310 Pero por ahora para nuestros propósitos 02:33.310 --> 02:36.750 Ajusta todos los pesos al mismo tiempo. 02:36.940 --> 02:43.300 Y ahora vamos a resumir todo con una guía paso a paso de lo que sucede en 02:43.300 --> 02:45.370 el entrenamiento de una red neuronal. 02:45.370 --> 02:51.000 Muy bien, así que paso uno inicializamos aleatoriamente los pesos a números pequeños cercanos a cero, pero no a cero. 02:51.010 --> 02:56.830 Realmente no nos enfocamos en la inicialización de los pesos durante los tutoriales de intuición, pero 02:56.830 --> 03:02.610 luego tenemos que comenzar en alguna parte y se inicializan con valores aleatorios cercanos a cero. 03:02.620 --> 03:09.730 a través del proceso de propagación por propagación, estos pesos se ajustan hasta que el error se minimiza. 03:09.730 --> 03:11.690 Y a partir de ahí, 03:11.970 --> 03:13.550 Entonces, la función de costo se minimiza. 03:13.820 --> 03:19.330 Luego haga dos entradas la primera observación todos sus conjuntos de datos a la primera fila en la entrada 03:19.510 --> 03:21.440 Lehre cada característica es una entrada. 03:21.440 --> 03:27.610 Así que, básicamente, tome los panales y colóquelos en los nodos de entrada por separado para la propagación de izquierda a 03:27.610 --> 03:27.910 derecha. 03:27.910 --> 03:32.620 neuronas de visión. La activación está limitada por los pesos. Los pesos básicamente determinan 03:32.620 --> 03:39.150 la importancia de la activación de cada neurona y luego propagan la activación hasta obtener el resultado del producto. 03:39.160 --> 03:43.100 Las neuronas se activan de una manera que captan en nuestras 03:43.150 --> 03:43.850 En este caso. 03:43.990 --> 03:46.640 Entonces, básicamente, se propaga de izquierda a derecha. 03:46.690 --> 03:50.110 Sigues todo el camino hasta que llegas y sacas tu sombrero. 03:50.320 --> 03:52.720 Luego compara el resultado con el resultado real. 03:52.750 --> 03:58.140 Mida el error generado y luego realice la retroalimentación de derecha a izquierda, el aire es bipolar 03:58.150 --> 03:58.620 nuevamente. 03:58.630 --> 04:02.080 Actualice las ponderaciones de acuerdo con cuánto son responsables del error. 04:02.260 --> 04:08.500 De nuevo, puede calcular que, debido a la estructura del algoritmo de perturbación de propagación hacia 04:08.500 --> 04:13.750 atrás, la tasa de aprendizaje decide por cuánto actualizamos las ponderaciones la tasa de 04:13.990 --> 04:17.710 aprendizaje como parámetro que puede controlar en su red neuronal. 04:17.710 --> 04:23.110 Paso 6 repite los pasos 1 2 5 y actualiza los pesos después de cada observación. 04:23.320 --> 04:30.670 Eso se llama aprendizaje de refuerzo y en nuestro caso fue descenso de gradiente estocástico o repetir los pasos 1 04:30.670 --> 04:31.490 a 5. 04:31.510 --> 04:37.840 descenso de gradiente completo o una insignia de Nissan verde o un gradiente de gradiente mini batido y el paso siete 04:37.870 --> 04:43.150 cuando todo el tren pasó por una red neuronal artificial que hace que una época rehaga más épocas. 04:43.150 --> 04:49.030 Pero de esa forma es solo después de un lote de observaciones o aprendizaje por lotes, o bien un 04:49.040 --> 04:55.090 Así que, básicamente, sigue haciendo eso y haciendo eso y haciendo eso, y permite que tu 04:55.120 --> 05:02.510 red neuronal se entrene mejor y mejor y se ajuste constantemente a medida que minimizas la función de costos. 05:02.740 --> 05:04.330 Entonces ahí vamos 05:04.420 --> 05:09.770 Esos son los pasos que debe seguir para construir sus redes neuronales artificiales y entrenarlo. 05:10.030 --> 05:16.060 Y estos son los pasos que tomará hasta que haya almorzado en los tutoriales prácticos. 05:16.120 --> 05:19.520 Te deseo la mejor de las suertes y espero verte la próxima vez. 05:19.540 --> 05:21.280 Hasta entonces disfruta el aprendizaje.