|
Faollashtirish funktsiyasi
|
| bet | 2/4 | | Sana | 15.05.2024 | | Hajmi | 367,94 Kb. | | #235346 |
Bog'liq feedforward
Kirishlar bilan o'zgaruvchan chiziqlilikni hisobga olish uchun faollashtirish funktsiyasi neyronlarning ishlashiga chiziqli bo'lmaganlikni kiritadi. Busiz, chiqish oddiygina kirish qiymatlarining chiziqli kombinatsiyasi bo'ladi va tarmoq chiziqli bo'lmaganlikni qabul qila olmaydi.
Eng ko'p ishlatiladigan faollashtirish funktsiyalari: birlik qadam, sigmasimon, bo'lakli chiziqli va Gauss.
Umumiy faollashtirish funksiyalarining rasmlari
Tarafsizlik
Tartibsizlikning maqsadi - faollashtirish funktsiyasi yaratadigan qiymatni o'zgartirish. Uning funksiyasini chiziqli funktsiyadagi doimiy bilan solishtirish mumkin. Shunday qilib, bu, asosan, faollashtirish funktsiyasi chiqishi uchun siljish.
Qatlamlar
Sun'iy neyron tarmog'i bir-birining ustiga joylashgan bir nechta neyron qatlamlardan iborat. Har bir qatlam bir qatorda joylashgan bir nechta neyronlardan iborat. Biz qatlamlarning uch turini ajratamiz: kirish, yashirin va chiqish qatlami.
Kirish qatlami
Modelning kirish qatlami biz unga kiritadigan ma'lumotlarni tasvirlar yoki raqamli vektor kabi tashqi manbalardan oladi. Bu neyron tarmog'ining butun dizaynida ko'rish mumkin bo'lgan yagona qatlam bo'lib, u tashqi dunyodan barcha ma'lumotlarni hech qanday ishlovsiz uzatadi.
Yashirin qatlamlar bugungi kunni chuqur o'rganishga imkon beradi. Ular barcha hisob-kitoblarni amalga oshiradigan va ma'lumotlarning xususiyatlarini ajratib oladigan vositachi qatlamlardir. Ma'lumotlardagi yashirin xususiyatlarni qidirish bir-biriga bog'langan ko'plab yashirin qatlamlarni o'z ichiga olishi mumkin. Masalan, tasvirni qayta ishlashda birinchi yashirin qatlamlar ko'pincha chegaralar, shakllar va chegaralarni aniqlash kabi yuqori darajadagi funktsiyalarga javob beradi. Keyinchalik yashirin qatlamlar esa, butun ob'ektlarni tasniflash yoki segmentlash kabi murakkabroq vazifalarni bajaradi.
Chiqish qatlami
Yakuniy bashorat oldingi yashirin qatlamlardagi ma'lumotlardan foydalangan holda chiqish qatlami tomonidan amalga oshiriladi. Bu biz yakuniy natijaga erishadigan qatlamdir, shuning uchun u eng muhimi.
Chiqish qatlamida tasniflash va regressiya modellari odatda bitta tugunga ega. Biroq, bu to'liq muammoning tabiatiga va model qanday ishlab chiqilganiga bog'liq. Eng yangi modellarning ba'zilari ikki o'lchovli chiqish qatlamiga ega. Misol uchun, Meta-ning yangi Make-A-Scene modeli, u oddiygina kiritishdagi matndan tasvirlarni yaratadi.
|
| |
