|
Persepton arxitekturasi. Perseptonni o’rgatish
|
bet | 12/19 | Sana | 20.05.2024 | Hajmi | 58,88 Kb. | | #245889 |
Bog'liq Документ Microsoft Office WordPersepton arxitekturasi. Perseptonni o’rgatish.
Perseptron, oddiy va boshqaruv qulayligi yuqori bo'lgan, lekin bir nechta sinf (klass) uchun tartiblashni o'rganish uchun qulay usuldir. U oddiy qo'llaniladigan neyron tarmoqi modelini ifodalaydi va ikkita sinf (masalan, 0 va 1) uchun klassifikatsiya vazifalari uchun juda oson.
Perseptronning oddiy arxitekturasi quyidagicha:
1.Kirishlar (Inputs): Perseptronning kirishlari, ma'lumotlar uchun joy beruvchi o'zgaruvchilar. Har bir kirish, tarmoqning bir neyroniga bog'liq bo'ladi.
2.Vaznlar (Weights): Har bir kirishga mos keladigan vaznlar, kirishlarning maqsad klassiga qarab tushishi uchun mohiyatli bo'lib, ularga alohida qiymatlar beriladi.
3.Bias: Bias, umuman tarmoqning aktivlashish darajasini ta'sir etadi. U sinflarning orqaga solish tartibini o'zgartirish uchun qo'llaniladi.
4.Faollashtirish funksiyasi (Activation Function): Bu funksiya, har bir kirishning vazni bilan ko'paytirilgan va bias qo'shilgan qiymatlarini o'zgartirib, tarmoqning chiqishini hisoblashda ishlatiladi.
5.Chiqish (Output): Perseptronning chiqishi, klassifikatsiya natijalarini ifodalaydi. Masalan, ikkita sinf uchun, chiqish 0 yoki 1 bo'lishi mumkin.
Perseptronni o'rgatish uchun quyidagi jarayonni kuzatamiz:
1.Ma'lumotlarni tayyorlash: Ma'lumotlar tayyorlanadi va kirishlar ro'yxati bilan ajratiladi.
2.Ushbu ma'lumotlarni Perseptronning kirishlariga o'tkazish: Har bir kirishga mos keladigan ma'lumotlar kiritiladi.
3.Chiqishni hisoblash: Kirishlardagi ma'lumotlar, vaznlar bilan ko'paytiriladi va bias qo'shiladi. Keyinchalik, faollashtirish funksiyasi yordamida chiqish hisoblanadi.
4.Xatolarni hisoblash: Chiqish natijalari va haqiqiy qiymatlar orasidagi xatolarni hisoblash.
5.Vaznlarni yangilash: Gradient descent algoritmi yordamida xatolarni minimalizatsiya qilish uchun vaznlarni yangilash.
6.O'rganishni baholash: Perseptronning boshqa ma'lumotlarga qarab qanday to'g'ri javob berishi baholanadi.
7.Agar xatolar kifoya bo'lmasa, qayta o'rganish: Xatolarning miqdori kifoya bo'lmagan bo'lsa, ma'lumotlar o'rganish uchun qayta ishlanadi.
Perseptronning o'rgatilishida gradient descent algoritmi keng qo'llaniladi. Bu algoritm vaznlarni yangilashda yordam beradi, shuningdek, chiqishdagi xatolarni minimalizatsiya qilishga yordam beradi. Yangilash tezligi (learning rate) kifoya bo'lgan vaznli parametr bo'lib, o'rganish jarayonida o'zgarishi mumkin.
|
| |