Kémia

Neurális hálózatok – Bevezetés

Neurális hálózatok – Bevezetés


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Aszinkron aktiválás

Ezekben a modellekben az egyes sejtek különböző időpontokban változtatják értékeiket. Itt csak azokat a modelleket vesszük figyelembe, amelyek nem valós időfogalmat használnak, hanem csak egy relatív időfogalmat, az új kimenet kiszámításának sorrendje szerint. Különbséget teszünk a különböző módok között:

Fix sorrend
Rögzített sorrend van (pl. belső, egyedi szám szerint én neuronok). Idegsejt én majd kiszámítja az új aktiválását aén és kimenet Oéna következő cella előtt én+1 ugyanezt csinálva. Egy tanulási ciklus ezután mindegyiken végigfut n A hálózat neuronjai sorrendben 1,,n. Ez a módszer a leggyorsabb módszer az előrecsatolt hálózatokhoz, feltéve, hogy a neuronok belső száma topológiai rendezésnek felel meg. Ez gyakran a hálózat ügyes generálásával érhető el.
Véletlen sorrend
Ez történetesen egy neuron én kiválasztva, ez kiszámítja az új aktiválást aén és kimenet Oén, akkor véletlenszerűen kiválasztunk egy másik neuront. Egy tanulási ciklus akkor a n- ezt a lépést kétszer végrehajtva. Megjegyzendő, hogy ez a módszer véletlen szelekción keresztül lehetővé teszi egyes neuronok számára, hogy cikluson belül többször is kiszámítsák az új aktiválódást és kimenetet, míg másokat egyáltalán nem választanak ki, ezért ezt a módszert ritkán alkalmazzák, de ez volt az elméleti alapja a A von Hopield hálózatok stabilitásának első bizonyítékai.
Véletlenszerű permutáció
Ez a mód úgy működik, mint a véletlenszerű kiválasztás, csak itt van az összes permutációja (minden ciklusban újra meghatározva) n A sorrend kiválasztásához használt neuronok, ami biztosítja, hogy minden neuron cikluson belül pontosan egyszer számítja ki az új kimenetét. Ennek a módszernek az a problémája is, hogy a véletlenszerű permutáció kiszámítása időigényes, és általában az új aktiválások számítási sorrendje is ügyetlen.
Topológiai sorrend
Ez a mód a legkedvezőbb az előrecsatolt hálózatokhoz. A neuronok egy topológiai sorrend szerint számítják ki az új aktiválódásukat, amit a hálózati topológia ad meg, azaz először a bemeneti neuronok, majd először a rejtett réteg stb. egészen a kimenetig. A tanulási ciklus itt úgy definiálható, hogy mindegyiken keresztül megy n A hálózat neuronjai a megadott topológiai sorrend szerint. Az úgynevezett shortcut kapcsolatok, vagyis a rétegeket kihagyó kapcsolatok nem jelentenek problémát, de a hálózatnak ciklusmentesnek kell lennie. Ez a hálózati gráf topológiai rendezésével történik néhány hálózati szimulátorral, pl. 1) (Stuttgart Neural Network Simulator) automatikusan ellenőrzi. Mivel ezt az ellenőrzést csak egyszer kell elvégezni, a szükséges idő nem döntő.

Ezek a dinamikus tulajdonságok elsősorban a továbbterjedés szempontjából kritikusak. A legtöbb tanulási módszer létrehozza az egyik ilyen terjedési sémát. Például az előrecsatolt hálózatok visszaterjesztése egyenletein keresztül feltételezi a topológiai sorrend használatát.


Videó: DU Povratne neuronske mreže - Optimizacija 33 (Július 2022).


Hozzászólások:

  1. Mabonaqain

    Teljesen egyetértek veled. Van ebben valami, és ez jó ötlet. Készen állok a támogatásra.

  2. Phineas

    It agree, it is an amusing phrase

  3. Daigar

    It is remarkable, the useful piece

  4. Nekree

    Ez a kiváló mondat csaknem megfelelő



Írj egy üzenetet