WEBVTT

00:01.850 --> 00:07.340
สวัสดีและยินดีต้อนรับกลับสู่หลักสูตรเรื่องความน่าเสียดายในวันนี้เราจะปิดท้ายด้วยการขยายพันธุ์ด้านหลัง

00:07.340 --> 00:29.240
เอาล่ะเรารู้ว่าทุกสิ่งที่เราจำเป็นต้องรู้เกี่ยวกับสิ่งที่เกิดขึ้นในทั้งหมดของคุณที่เรารู้ว่ามีกระบวนการที่เรียกว่าการแพร่กระจายไปข้างหน้าโดยที่ข้อมูลถูกป้อนเข้าไปในเลเยอร์การป้อนข้อมูล ค่าผลลัพธ์ของเราแล้วเราเปรียบเทียบค่าเหล่านั้นกับค่าจริงที่เรามีในชุดการฝึกอบรมของเรา

00:29.240 --> 00:41.570
จากนั้นเราคำนวณข้อผิดพลาดจากนั้นข้อผิดพลาดจะแพร่กระจายกลับผ่านเครือข่ายในทิศทางตรงกันข้ามและนั่นทำให้เราสามารถฝึกอบรมเครือข่ายโดยการปรับน้ำหนัก

00:41.660 --> 00:58.890
สิ่งสำคัญอย่างหนึ่งที่ต้องจำที่นี่คือการแพร่กระจายกลับเป็นอัลกอริธึมขั้นสูงที่ขับเคลื่อนด้วยคณิตศาสตร์ที่น่าสนใจและซับซ้อนซึ่งช่วยให้เราสามารถปรับน้ำหนักได้

00:59.030 --> 01:02.540
ทั้งหมดพร้อมกันน้ำหนักทั้งหมดจะถูกปรับพร้อมกัน

01:02.540 --> 01:21.040
ดังนั้นถ้าเราทำสิ่งนี้ด้วยตนเองหรือถ้าเราคิดอัลกอริธึมชนิดที่แตกต่างกันมากกว่าแม้ว่าเราจะคำนวณข้อผิดพลาดแล้วเราก็พยายามที่จะเข้าใจว่าน้ำหนักแต่ละอันมีผลต่อข้อผิดพลาดอย่างไร ปรับน้ำหนักแต่ละอย่างอิสระหรือแยกกัน

01:22.000 --> 01:35.910
ข้อได้เปรียบอย่างมากของการย้อนกลับและเป็นสิ่งสำคัญที่ต้องจำไว้คือในระหว่างกระบวนการเผยแพร่กลับเพียงเพราะวิธีการที่โครงสร้างมีอัลกอริทึม

01:36.850 --> 01:47.400
คุณสามารถปรับได้ตลอดเวลาในเวลาเดียวกันดังนั้นโดยทั่วไปคุณจะรู้ว่าส่วนใดของข้อผิดพลาดของน้ำหนักของคุณในเครือข่ายประสาทที่รับผิดชอบ

01:47.450 --> 01:54.220
ตอนนี้เป็นหลักการพื้นฐานสำคัญของการขยายพันธุ์กลับ

01:54.220 --> 02:02.650
และนี่คือสาเหตุที่มันหยิบขึ้นมาอย่างรวดเร็วในทศวรรษ 1980 และนี่คือการค้นพบครั้งยิ่งใหญ่

02:02.770 --> 02:16.640
และถ้าคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับเรื่องนี้และวิธีการทางคณิตศาสตร์ที่ทำงานอยู่เบื้องหลังบทความที่ดีที่เราได้กล่าวไปแล้วคือโครงข่ายประสาทและการเรียนรู้เชิงลึกเป็นหนังสือของไมเคิล

02:16.720 --> 02:23.610
คุณจะพบว่าคณิตศาสตร์เขียนขึ้นและมันจะช่วยให้คุณเข้าใจว่ามันเป็นไปได้จริง ๆ

02:23.650 --> 02:33.310
แต่ตอนนี้เพื่อจุดประสงค์ของเราถ้าจากมุมมองของสัญชาตญาณส่วนสำคัญคือการจำไว้ว่านั่นคือสิ่งที่ย้อนกลับ

02:33.310 --> 02:36.750
มันปรับน้ำหนักทั้งหมดในเวลาเดียวกัน

02:36.940 --> 02:45.370
และตอนนี้เรากำลังจะสรุปทุกสิ่งด้วยคำแนะนำทีละขั้นตอนของสิ่งที่เกิดขึ้นในการฝึกอบรมของโครงข่ายประสาท

02:45.370 --> 02:51.000
เอาล่ะขั้นตอนที่หนึ่งเราเริ่มต้นด้วยการสุ่มน้ำหนักเป็นจำนวนน้อยใกล้กับศูนย์ แต่ไม่เป็นศูนย์

02:51.010 --> 03:02.610
เราไม่ได้มุ่งเน้นไปที่การเริ่มต้นของน้ำหนักระหว่างการสอนปรีชา แต่เราต้องเริ่มต้นที่ไหนสักแห่งและพวกเขาจะเริ่มต้นด้วยค่าแบบสุ่มใกล้ศูนย์

03:02.620 --> 03:11.690
และจากที่นั่นผ่านกระบวนการแพร่กระจายโดยการแพร่กระจายน้ำหนักเหล่านี้จะถูกปรับจนกว่าข้อผิดพลาดจะลดลง

03:11.970 --> 03:13.550
ดังนั้นฟังก์ชั่นค่าใช้จ่ายจึงลดลง

03:13.820 --> 03:21.440
จากนั้นขั้นตอนที่สองป้อนข้อมูลการสังเกตครั้งแรกชุดข้อมูลทั้งหมดของคุณไปยังแถวแรกลงในอินพุต Lehre แต่ละคุณสมบัติคือหนึ่งอินพุต

03:21.440 --> 03:27.910
ดังนั้นโดยทั่วไปแล้วใช้หวีและวางลงในโหนดอินพุตแยกต่างหากสำหรับการแพร่กระจายจากซ้ายไปขวา

03:27.910 --> 03:43.100
เซลล์ประสาทถูกกระตุ้นในลักษณะที่พวกเขาเลือกในการกระตุ้นเซลล์ประสาทการมองเห็นของเรานั้นถูก จำกัด โดยน้ำหนักตุ้มน้ำหนักโดยทั่วไปกำหนดว่าการกระตุ้นเซลล์ประสาทแต่ละชนิดนั้นมีความสำคัญเพียงใด

03:43.150 --> 03:43.850
ในกรณีนี้.

03:43.990 --> 03:46.640
โดยทั่วไปแล้วคุณเผยแพร่จากซ้ายไปขวา

03:46.690 --> 03:50.110
คุณไปตลอดทางจนกระทั่งมาถึงและคุณได้หมวก y

03:50.320 --> 03:52.720
จากนั้นเปรียบเทียบผลลัพธ์กับผลลัพธ์จริง

03:52.750 --> 03:58.620
วัดข้อผิดพลาดที่สร้างขึ้นจากนั้นคุณทำการย้อนกลับจากขวาไปซ้ายอากาศเป็นสองขั้วอีกครั้ง

03:58.630 --> 04:02.080
อัปเดตน้ำหนักตามจำนวนที่รับผิดชอบต่อข้อผิดพลาด

04:02.260 --> 04:17.710
คุณสามารถคำนวณได้อีกครั้งว่าเนื่องจากวิธีที่อัลกอริทึมก่อกวนกลับมาได้รับการจัดโครงสร้างอัตราการเรียนรู้จะตัดสินใจโดยวิธีที่เราอัปเดตน้ำหนักอัตราการเรียนรู้เป็นพารามิเตอร์ที่คุณสามารถควบคุมในเครือข่ายประสาทของคุณ

04:17.710 --> 04:23.110
ขั้นตอนที่ 6 ทำซ้ำขั้นตอนที่ 1 2 5 และอัปเดตน้ำหนักหลังจากการสังเกตแต่ละครั้ง

04:23.320 --> 04:31.490
ที่เรียกว่าการเรียนรู้การเสริมแรงและในกรณีของเรานั่นคือการไล่ระดับสีแบบสุ่มหรือขั้นตอนที่ 1 ถึง 5

04:31.510 --> 04:49.030
แต่ด้วยวิธีการนี้หลังจากผ่านการสังเกตการณ์หรือการเรียนรู้แบบกลุ่มเท่านั้นมันเป็นทางลาดแบบเต็มหรือเครื่องหมายสีเขียวนิสสันหรือการไล่ระดับสีแบบแบทช์ขนาดเล็กและขั้นตอนที่เจ็ดเมื่อรถไฟทั้งหมดผ่านเครือข่ายประสาทเทียมที่ทำให้ยุค

04:49.040 --> 05:02.510
ดังนั้นโดยทั่วไปเพียงแค่ทำเช่นนั้นและทำสิ่งนั้นและทำสิ่งนั้นและเพื่อให้เครือข่ายประสาทของคุณสามารถฝึกอบรมได้ดีขึ้นและดีขึ้นและดีขึ้นและปรับตัวเองอย่างต่อเนื่องในขณะที่คุณลดฟังก์ชั่นค่าใช้จ่าย

05:02.740 --> 05:04.330
ดังนั้นเราไปกันเลย

05:04.420 --> 05:09.770
เหล่านี้คือขั้นตอนที่คุณต้องทำเพื่อสร้างเครือข่ายประสาทเทียมของคุณและฝึกฝนมัน

05:10.030 --> 05:16.060
และนี่คือขั้นตอนที่คุณจะทำจนกระทั่งฉันทานอาหารกลางวันในแบบฝึกหัดที่ใช้ได้จริง

05:16.120 --> 05:19.520
ขอให้คุณโชคดีและฉันหวังว่าจะได้พบคุณในครั้งต่อไป

05:19.540 --> 05:21.280
จนกว่าจะสนุกกับการเรียนรู้