219 подписчиков
На прошлой неделе мы уже рассмотрели, что такое многослойная нейронная сеть прямого распространения.
Проще говоря, нейронная сеть – это черный ящик. Вы подаете на вход ящика сигналы и получаете ответный сигнал на выходе.
Сигналы - это числовые значения.
Нейронная сеть строит сложную функциональную зависимость выхода от входа 📈.
Чтобы она это делала правильно, обучим ее. Для этого потребуется выборка обучающих примеров.
Возьмем для примера температуру 🌡 воздуха в Москве в июле в разбивке по дням за 10 лет.
Примем что на вход сети подаются значения температуры сегодня.
На выходе - значения температуры завтра.
Во время обучения вы подаете на вход сети значения температуры сегодня. На выходе получаете от нее некие значения и сравниваете с эталонным образцом. Например, значения температуры воздуха в Москве 19.07.2020 (вход) и 20.07.2020 (выход).
На выходе происходит расчет ошибки нейронной сети. Если ошибка велика, происходит подстройка весовых коэффициентов всех связей между нейронами НС на всех промежуточных слоях.
Все примеры обучающей выборки в случайном порядке подаются на вход, а выходное значение сети сравнивается эталонным выходным значением. Один такой цикл называется эпохой обучения.
Далее процесс повторяется до тех пор, пока ошибка не примет приемлемого значения. Сеть обучена и может быть использована для работы.
Теперь, подавая на вход значения температуры сегодня, вы получите на выходе сети значение температуры завтра. Этого значения не было в обучающей выборке, но нейронная сеть обучена и успешно решает задачу прогнозирования.
P.S. Пост получился длинный. Про алгоритм обратного распространения ошибки поговорим чуть позже 😉
1 минута
10 июля 2023