Я относительно новичок в нейронных сетях, поэтому мне было очень интересно, когда я столкнулся с этой тенденцией в своих данных. У меня есть многослойная сеть персептрона, использующая обратное распространение без импульса. Скорость обучения составляет 0,02, а минимальная допустимая погрешность при обучении равна 0,01. Сеть должна была научиться правильно применять операцию xor по двум логическим значениям (их значения равны 1 или 0). Есть предвзятые нейроны, чтобы противостоять тому, что проблема xor не имеет линейной разделимости (не уверен, правильно ли я сформулировал это). Нейроны сети используют передаточную функцию Sigmoid. Мне было интересно, почему график растет в этой тенденции. После рандомизации весов сети и повторного обучения, график всегда отображается так. Почему это? Тенденция об ошибках нейронной сети
ответ
Для меня это выглядит правильно, и, возможно, вы просто неправильно читаете график. На оси х у вас есть итерации. Вы можете считать это осью времени для упрощения. Ваша ось y - это ошибка сети (чем ниже, тем лучше). Так как время прогрессирует во время обучения, ваша сеть дает лучшие результаты (с более низкой ошибкой).
Но почему в середине есть платообразная форма? – Michael
Могло быть много причин. Обучение ANN почти никогда не является линейным, и существует много так называемых «плоских областей», где весы должны меняться на очень большое значение, чтобы повлиять на небольшое изменение ошибки. Многие разные методы обучения и правила обновления веса пытаются справиться с этим по-разному. Вы пытались изменить скорость обучения (обычно называемую альфа или лямбдой) и посмотреть, можете ли вы избавиться от плато? – nitbix
О, ладно, спасибо, это имеет смысл! – Michael
- 1. Вопрос об искусственной нейронной сети
- 2. вычислить ошибку нейронной сети
- 3. Deeplearning4j Конфигурация нейронной сети
- 4. Метод обучения нейронной сети
- 5. Повторное использование нейронной сети
- 6. Выход нейронной сети
- 7. Нелинейный ввод нейронной сети
- 8. Набор шумовой нейронной сети
- 9. C# Оптимизация нейронной сети
- 10. Критерии застройки нейронной сети
- 11. Обучение нейронной сети Matlab
- 12. Прогнозирование функции нейронной сети
- 13. Смартнейшая архитектура нейронной сети
- 14. обучения нейронной сети набор
- 15. Ищет образцы нейронной сети
- 16. Конфигурация нейронной сети свертки
- 17. Выбор параметров нейронной сети
- 18. Кодирование нейронной сети Python
- 19. Обучение нейронной сети
- 20. Расчет стоимости нейронной сети?
- 21. Интерпретация вывода нейронной сети
- 22. Оценка глубины нейронной сети
- 23. Методология обучения нейронной сети
- 24. Matlab нейронной сети
- 25. тренировка нейронной сети
- 26. Дизайн нейронной сети
- 27. Привязка нейронной сети
- 28. Эхо-состояние нейронной сети?
- 29. Архитектура нейронной сети
- 30. Функция аппроксимации нейронной сети
Какую тенденцию вы ожидали? –
@AndreaIacono Может быть, убывающий линейный граф или экспоненциальный распад? – Michael