Peranan fungsi kehilangan dalam rangkaian saraf dan pembelajaran mendalam

Fungsi kehilangan dalam pembelajaran mendalam digunakan untuk menilai prestasi model rangkaian saraf. Dalam rangkaian saraf, terdapat dua operasi matematik utama iaitu perambatan ke hadapan dan perambatan belakang keturunan kecerunan. Tanpa mengira operasi, matlamat rangkaian saraf adalah untuk meminimumkan fungsi kehilangan. Ini kerana meminimumkan fungsi kehilangan secara automatik menyebabkan model rangkaian saraf membuat ramalan yang lebih tepat.

Dalam perkara di atas, kami telah mempelajari tentang dua jenis operasi nombor rangkaian saraf. Rambatan ke hadapan merujuk kepada pengiraan output yang diberi vektor input, manakala rambatan belakang dan keturunan kecerunan digunakan untuk menambah baik berat dan berat sebelah rangkaian untuk meningkatkan ketepatan ramalan. Kedua-dua operasi ini bekerjasama untuk membolehkan rangkaian saraf terus mengoptimumkan dirinya dan membuat ramalan yang lebih tepat.

Secara amnya, rangkaian saraf menyelesaikan tugas tanpa diprogramkan secara eksplisit atau menggunakan peraturan tertentu. Ini kerana mereka mencapai matlamat umum dengan meminimumkan fungsi kerugian yang tidak bergantung pada tugas atau persekitaran tertentu.

Oleh itu, kita perlu mempunyai pemahaman yang lebih mendalam tentang fungsi kehilangan untuk memilih dengan betul fungsi kehilangan yang sesuai untuk menyelesaikan pelbagai masalah.

3 jenis fungsi kehilangan utama dalam rangkaian saraf

• Min fungsi kehilangan ralat kuasa dua
• Fungsi kehilangan entropi silang
• Min ralat peratusan mutlak

1 fungsi kehilangan ialah jumlah perbezaan kuasa dua antara entri dalam vektor yang diramalkan dan vektor kebenaran tanah sebenar.

2. Fungsi kehilangan entropi silang

Regresi dan klasifikasi ialah dua kawasan popular dalam rangkaian suapan hadapan. Dalam tugas klasifikasi, kita perlu berurusan dengan ramalan kebarangkalian, yang memerlukan output rangkaian saraf berada dalam julat 0 hingga 1. Untuk mengukur ralat antara kebarangkalian yang diramalkan dan label sebenar, kami menggunakan fungsi kehilangan entropi silang.

3. Min Ralat Peratus Mutlak

Akhir sekali, mari lihat fungsi kehilangan Min Peratusan Mutlak (MAPE). Fungsi kehilangan ini kurang mendapat perhatian dalam pembelajaran mendalam. Dalam kebanyakan kes, kami menggunakannya untuk mengukur prestasi rangkaian saraf dalam tugas ramalan permintaan.

Sekarang anda tahu fungsi kehilangan, sila ingat prinsip utama berikut apabila menggunakan fungsi kehilangan.

Prinsip untuk menggunakan fungsi kehilangan

1. Fungsi kehilangan mengukur seberapa baik model rangkaian saraf melaksanakan tugas tertentu. Untuk menjadikan rangkaian saraf lebih baik, kita mesti meminimumkan nilai fungsi kehilangan semasa langkah perambatan belakang.

2. Apabila menggunakan rangkaian saraf untuk meramalkan kebarangkalian, hanya gunakan fungsi kehilangan entropi silang dalam tugas pengelasan.

3 Untuk tugasan regresi, apabila anda mahu rangkaian meramalkan nombor berterusan, anda mesti menggunakan fungsi kehilangan ralat kuasa dua.

4 Kami menggunakan fungsi kehilangan ralat peratusan mutlak mutlak semasa ramalan permintaan untuk memberi tumpuan kepada prestasi rangkaian semasa latihan.

Atas ialah kandungan terperinci Peranan fungsi kehilangan dalam rangkaian saraf dan pembelajaran mendalam. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!