پاسخ داده شده: مقایسه شبکه عصبی با سایر روشهای هوش مصنوعی
شکل ۱.۷. یک شبکه عصبی توسط وزنههای خود parameterized میشود .
برای کنترل چیزی ، ابتدا باید بتوانید آن را مشاهده کنید . برای کنترل خروجی یک شبکه عصبی باید قادر به اندازهگیری این باشید که این خروجی تا چه حد از آنچه انتظار داشتید ، فاصله دارد . این وظیفه تابع هزینه است که تابع هدف نیز نامیده میشود. تابع هزینه پیشبینی شبکه و هدف حقیقی ( آنچه که شما شبکه را میخواهید ) را میگیرد و امتیاز فاصلهای را محاسبه میکند ، ثبت این که چگونه شبکه در این مثال خاص چگونه انجام شدهاست ( شکل ۱.۸ را ببینید ) .
شکل ۱.۸ یک تابع افت کیفیت خروجی شبکه را اندازهگیری میکند.
نکته اصلی در یادگیری عمیق این است که این امتیاز را به عنوان یک سیگنال بازخورد برای تنظیم مقدار وزنها به مقدار کمی ، در مسیری که امتیاز هزینه را برای مثال فعلی کاهش میدهد ( شکل ۱.۹ ) . این تنظیمات وظیفه بهینه سازاست ، که آن چیزی را که الگوریتم backpropagation نامیده میشود را اجرا میکند : الگوریتم مرکزی در یادگیری عمیق . فصل بعدی با جزییات بیشتر توضیح میدهد که چگونه backpropagation کار میکند .
شکل ۱.۹. نمره اتلاف به عنوان یک سیگنال بازخورد برای تنظیم وزنها استفاده میشود .
در ابتدا ، مقادیر شبکه به مقادیر تصادفی اختصاصیافته است ، بنابراین شبکه صرفا ً مجموعهای از تبدیلات تصادفی را اجرا میکند . طبیعتا ً، خروجی آن بسیار دور از چیزی است که باید باشد ، و مقدار loss آن بسیار بالا است . اما با هر نمونه از فرایندهای شبکه ، وزنها کمی در جهت درست تنظیم میشوند و مقدار loss کاهش مییابد . این حلقه آموزشی است که تعداد کافی بار ( معمولا دهها تکرار بر روی هزاران مثال را تکرار میکند )، مقادیر وزنی را به روز رسانی می کند که تابع هزینه را به حداقل میرساند . یک شبکه با حداقل زیان ، خروجیهای آن به نتایج مطلوب به همان اندازه نزدیک هستند که میتوانند به اهداف برسند : یک شبکه آموزشدیده . یکبار دیگر ، یک مکانیزم ساده است که وقتی مقیاس بندی شده ، مثل جادو به پایان میرسد .