합성곱 신경망 예제

0 0

그거에요! 이제 인공 신경망에서 일어나는 일의 기본 아이디어를 알 수 있습니다! 정방향 전파에서는 정보가 입력 계층에 입력되고 네트워크를 통해 앞으로 전파되어 출력 값을 가져옵니다. 값을 예상 결과와 비교합니다. 다음으로 오류를 계산하고 정보를 뒤로 전파합니다. 이를 통해 네트워크를 교육하고 가중치를 업데이트할 수 있습니다. 역전형을 통해 모든 가중치를 동시에 조정할 수 있습니다. 이 과정에서 알고리즘이 구조화되므로 모든 가중치를 동시에 조정할 수 있습니다. 이렇게 하면 신경망의 각 가중치가 어떤 오류의 원인지 확인할 수 있습니다. 신경망에는 여러 종류가 있습니다. 일반적으로 피드포워드 및 피드백 네트워크로 분류됩니다. 그것은 말 그대로 인공 신경망입니다. NN을 생각하는 좋은 방법은 복합 함수입니다.

당신은 그것을 몇 가지 입력을 제공하고 당신에게 약간의 출력을 제공합니다. 연결 강도(가중치) 및 전송 함수에 따라 활성화 값이 다음 노드로 전달됩니다. 각 노드는 수신하는 활성화 값(가중 합계 계산)을 합산하고 전송 함수를 기반으로 해당 합계를 수정합니다. 그런 다음 활성화 함수를 적용합니다. 활성화 함수는 이 특정 뉴런에 적용되는 기능입니다. 그로부터 뉴런은 신호를 따라 전달해야 하는지 아닌지를 이해합니다. 활성화는 출력 노드에 도달할 때까지 네트워크를 통해 실행됩니다. 그런 다음 출력 노드는 우리가 이해할 수 있는 방식으로 정보를 제공합니다. 네트워크는 비용 함수를 사용하여 출력과 실제 예상 출력을 비교합니다. 모델 성능은 비용 함수에 의해 평가됩니다. 실제 값과 예측 값 의 차이로 표현됩니다.

사용할 수 있는 다양한 비용 함수가 있으며, 네트워크에 오류가 있는 것을 보고 있습니다. 손실 함수를 최소화하기 위해 노력하고 있습니다. (본질적으로 손실 함수가 낮을수록 원하는 출력에 가깝습니다.) 정보는 거슬러 올라가고, 신경망은 가중치를 조정하여 비용 기능을 최소화한다는 목표로 배우기 시작합니다. 이 프로세스를 역전파라고 합니다. 피드포워드 네트워크는 입력, 출력 및 숨겨진 계층을 포함하는 네트워크입니다. 신호는 한 방향으로만 이동할 수 있습니다(앞으로). 입력 데이터는 계산이 수행되는 레이어로 전달됩니다. 각 처리 요소는 입력의 가중치 합계를 기반으로 계산합니다. 새 값은 다음 레이어(피드 포워드)에 공급하는 새 입력 값이 됩니다. 이렇게 하면 모든 레이어가 계속되며 출력이 결정됩니다. 피드포워드 네트워크는 데이터 마이닝과 같은 경우에 자주 사용됩니다. 원하는 작업을 수행하는 프로그램을 얻는 방법에는 두 가지가 있습니다.

첫째, 구체적으로 안내되고 열심히 프로그래밍된 접근 방식이 있습니다. 이 방법에서는 프로그램에 원하는 작업을 정확히 알려줍니다. 그런 다음 신경망이 있습니다. 신경망에서는 출력에 대해 입력과 원하는 내용을 네트워크에 알리고 자체적으로 학습할 수 있습니다. 네트워크가 자체적으로 학습할 수 있도록 허용함으로써 모든 규칙에 들어갈 필요성을 피할 수 있습니다.