Rumah > Artikel > Peranti teknologi > Kaedah menjana data, bagaimana untuk menggunakan rangkaian kepercayaan yang mendalam?
Rangkaian kepercayaan mendalam ialah rangkaian saraf dalam berdasarkan graf tidak terarah dan digunakan terutamanya dalam model generatif. Model generatif digunakan untuk menjana sampel data baharu yang serupa dengan set data latihan, jadi rangkaian kepercayaan mendalam boleh digunakan untuk penjanaan data.
Rangkaian kepercayaan mendalam terdiri daripada berbilang lapisan dan neuron. Setiap lapisan mengandungi berbilang neuron, dan setiap neuron disambungkan kepada semua neuron dalam lapisan sebelumnya. Walau bagaimanapun, tiada hubungan langsung antara neuron dalam lapisan yang berbeza. Dalam rangkaian kepercayaan yang mendalam, setiap peringkat mewakili satu set pembolehubah rawak binari. Hubungan antara tahap tidak terarah, bermakna output setiap tahap boleh mempengaruhi tahap lain, tetapi tiada maklum balas langsung.
Proses penjanaan rangkaian kepercayaan mendalam merangkumi dua peringkat: pra-latihan tanpa pengawasan dan penalaan halus diselia.
Dalam peringkat pra-latihan tanpa pengawasan, rangkaian kepercayaan mendalam membina model dengan mempelajari ciri-ciri dalam set data latihan. Dalam peringkat ini, setiap peringkat dianggap sebagai Mesin Boltzmann Terhad (RBM), model grafik tidak terarah untuk taburan kebarangkalian pembelajaran. Setiap RBM dalam rangkaian kepercayaan mendalam digunakan untuk mempelajari tahap ciri tertentu. Proses pembelajaran RBM merangkumi dua langkah: pertama, untuk setiap sampel, hitung tenaga di bawah berat semasa seterusnya, untuk setiap berat, hitung kecerunan yang sepadan, dan gunakan algoritma penurunan kecerunan untuk mengemas kini berat. Proses ini diulang beberapa kali sehingga RBM mempelajari ciri-ciri set data latihan.
Dalam peringkat penalaan halus diselia, rangkaian kepercayaan mendalam menggunakan algoritma perambatan belakang untuk memperhalusi rangkaian agar lebih sesuai dengan set data tertentu. Dalam peringkat ini, rangkaian kepercayaan mendalam dianggap sebagai perceptron berbilang lapisan (MLP), dengan setiap lapisan disambungkan ke lapisan seterusnya. Rangkaian dilatih untuk meramalkan output tertentu, seperti label klasifikasi atau nilai regresi. Melalui algoritma perambatan belakang, rangkaian mengemas kini berat dan berat sebelah berdasarkan perbezaan antara keputusan yang diramalkan dan output sebenar untuk mengurangkan ralat secara beransur-ansur. Proses ini diulang beberapa kali sehingga prestasi rangkaian mencapai tahap yang dikehendaki. Melalui penalaan halus yang diselia, rangkaian kepercayaan yang mendalam boleh menyesuaikan diri dengan tugas tertentu dengan lebih baik dan meningkatkan ketepatan ramalannya.
Sebagai contoh, katakan kita mempunyai set data yang mengandungi imej digit tulisan tangan. Kami mahu menggunakan rangkaian kepercayaan yang mendalam untuk menjana imej baharu digit tulisan tangan.
Pertama, kita perlu menukar semua imej ke dalam format binari dan memasukkannya ke dalam rangkaian kepercayaan yang mendalam.
Dalam peringkat pra-latihan tanpa pengawasan, rangkaian kepercayaan mendalam akan mempelajari ciri-ciri dalam imej ini. Dalam peringkat penalaan halus diselia, rangkaian dilatih untuk meramalkan label berangka untuk setiap imej. Setelah latihan selesai, kami boleh menggunakan rangkaian kepercayaan mendalam untuk menjana imej baharu digit tulisan tangan. Untuk menjana imej baharu, kita boleh bermula dengan hingar rawak dan kemudian menggunakan rangkaian kepercayaan mendalam untuk menjana nilai piksel binari.
Akhir sekali, kami boleh menukar nilai piksel ini kembali kepada format imej untuk menjana imej digit tulisan tangan baharu.
Ringkasnya, rangkaian kepercayaan mendalam ialah model generatif yang berkuasa yang boleh digunakan untuk menjana sampel data baharu yang serupa dengan set data latihan. Proses penjanaan rangkaian kepercayaan mendalam merangkumi dua peringkat: pra-latihan tanpa pengawasan dan penalaan halus diselia. Dengan mempelajari ciri daripada set data, rangkaian kepercayaan mendalam boleh menjana sampel data baharu, dengan itu mengembangkan set data dan meningkatkan prestasi model.
Atas ialah kandungan terperinci Kaedah menjana data, bagaimana untuk menggunakan rangkaian kepercayaan yang mendalam?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!