Uenezaji wa nyuma
Uenezaji nyuma ni algoriti inayoruhusu mtandao wa neva kujifunza kutokana na makosa yake kwa kukokotoa kwa ufasaha ni kiasi gani kila uzani ulichangia kosa.
Muhtasari
It is the engine behind almost all modern deep learning training.
Dive ya kina
Mtandao wa neva unapotabiri, hutoa hitilafu fulani iliyopimwa na chaguo la kukokotoa la kupoteza. Uenezaji nyuma hujibu swali muhimu: kila moja ya mamilioni ya uzani inapaswa kubadilika vipi ili kupunguza kosa hilo? Inafanya hivyo kwa kutumia kanuni ya mnyororo kutoka kwa calculus, ikifanya kazi nyuma kutoka kwa safu ya pato kuelekea safu ya ingizo. Ishara ya hitilafu inarudishwa kupitia mtandao, na katika kila safu algorithm inahesabu gradient, mwelekeo na kiasi kila uzito unapaswa kuhama. Ufahamu muhimu, ulioangaziwa na Rumelhart, Hinton, na Williams mnamo 1986, ni kwamba matokeo ya kati yanaweza kutumika tena, na kufanya hesabu kuwa nzuri. Bila uenezaji wa nyuma, kufundisha mtandao wa kina wenye mabilioni ya vigezo hakutakuwa na matumaini.
Ufahamu wa Kiufundi
Uenezaji wa nyuma hufanya kazi kwa njia mbili. Pasi ya mbele hukokotoa utabiri na huokoa uanzishaji wa kati. Kupitisha nyuma kunatumika kwa kanuni ya mnyororo: huzidisha safu ya derivatives ya ndani kwa safu, kueneza gradient ya kupoteza kwa heshima kwa kila uzito. Muhimu zaidi, huhifadhi na kutumia tena viingilio vya sehemu badala ya kuzikusanya tena, kwa hivyo gharama inakaa takriban sawia na pasi moja ya mbele. Gradients zinazotokana hukabidhiwa kwa kiboreshaji kama mteremko wa gradient ili kusasisha uzani.
Athari za kimkakati
Maamuzi ya wazi zaidi
Inakusaidia kutenganisha madai ya wazi ya kiufundi kutoka kwa lugha ya uuzaji.
Cost and budget
Unaweza kuuliza maswali ya utekelezaji bora kabla ya kutumia pesa au wakati.
Timu na mtiririko wa kazi
Timu zenye uelewa wa pamoja hufanya maamuzi bora ya bidhaa, sera na mafunzo.
Mustakabali wa Kueneza Nyuma
Uenezaji nyuma unabaki kuwa uti wa mgongo wa kujifunza kwa kina, lakini watafiti wanachunguza kikamilifu mipaka yake. Gharama yake ya kumbukumbu inaongezeka kwa kina cha mtandao, hila zinazohamasisha kama vile kukagua gradient kwa miundo mikubwa. Njia mbadala zilizoongozwa na kibayolojia kama vile kujifunza kwa kusonga mbele na kupanga maoni hulenga kuondoa utegemezi wa backprop kwenye uzani wa ulinganifu na mawimbi ya makosa ya kimataifa. Kwa sasa, hakuna njia inayolingana na ufanisi wake kwa kiwango, kwa hivyo tarajia uenezaji wa nyuma kwa miundo ya mipaka ya nguvu kwa miaka wakati njia hizi mbadala zinakomaa katika maabara za utafiti.
Utekelezaji wa Ulimwengu Halisi
Kufunza kiainisha picha ili kirekebishe vichujio hatua kwa hatua ili kutambua paka dhidi ya mbwa baada ya kila kundi la picha
Kurekebisha muundo mkubwa wa lugha kwenye hati za kampuni kwa kueneza makosa ya maneno yanayofuata yaliyotabiriwa
Kufundisha mtandao wa maono wa gari linalojiendesha ili kupunguza hitilafu za utabiri wa uelekezaji wakati wa kuiga
Kusasisha upachikaji wa muundo wa pendekezo ili kutabiri vyema filamu ambazo mtumiaji atabofya
Hatari & Walinzi
Timu tofauti zinaweza kutumia neno moja tofauti, kwa hivyo fafanua upeo mapema.
Vigezo vinaweza kuonekana kuwa na nguvu ilhali utendakazi wa ulimwengu halisi haufanani.
Kupuuza ubora wa data na mipango ya tathmini mara nyingi huleta matokeo tete.
Ramani ya Utekelezaji
Anza na ufafanuzi wa lugha rahisi wa matokeo unayohitaji.
Chagua kipimo kimoja cha mafanikio na hali moja ya kutofaulu kabla ya kujaribu.
Tekeleza majaribio madogo yenye data wakilishi, si seti ya onyesho iliyoboreshwa.
Hati ambapo Uenezaji Nyuma husaidia na ambapo mbinu rahisi ni bora zaidi.
Endelea Kuchunguza
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Backpropagation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Mwongozo unaofuata
Kazi za Kupoteza
Maswali yanayoulizwa mara kwa mara
What is Backpropagation?
Uenezaji nyuma ni algoriti inayoruhusu mtandao wa neva kujifunza kutokana na makosa yake kwa kukokotoa kwa ufasaha ni kiasi gani kila uzani ulichangia kosa. Ni injini inayoongoza karibu mafunzo yote ya kisasa ya kujifunza kwa kina.
Kusudi kuu la uenezaji wa nyuma ni nini?
Uenezaji nyuma huhesabu upinde wa mvua kwa heshima na kila uzito, kumwambia kiboreshaji jinsi ya kuzirekebisha ili kupunguza makosa.
Ni kanuni gani ya hisabati iliyo katika moyo wa uenezaji wa nyuma?
Uenezaji wa nyuma hutumia sheria ya msururu ili kuchanganya viingilio vya ndani kwenye tabaka, na kueneza viwango vya hitilafu kurudi nyuma kupitia mtandao.
Kwa nini uenezaji wa nyuma unachukuliwa kuwa mzuri wa hesabu?
Kwa kuweka akiba baadhi ya derivatives na kuwezesha kutoka kwa pasi ya mbele, uenezaji nyuma huepuka hesabu isiyo ya kawaida, na kuweka gharama karibu na ile ya pasi moja ya mbele.
Je, uenezaji wa nyuma unakokotoa viwango vipi?
Jina linasema yote: kosa huenezwa nyuma, kuanzia kwenye pato na kuelekea kwenye pembejeo, kwa hivyo gradient ya kila safu inategemea safu baada yake.
Uenezaji wa nyuma hutoa nini ambacho kiboreshaji basi hutumia?
Uenezaji wa nyuma huleta gradient, ambazo kiboreshaji kama mteremko wa upinde rangi hutumia kusasisha uzani katika mwelekeo unaopunguza hasara.