بازپس‌انتشار خطا از صفر – بخش سوم: پیاده‌سازی با پایتون و بررسی گرادیان‌ها
8. پیاده‌سازی Backpropagation بدون Autograd؛ ساخت یک موتور یادگیری عصبی از پایه در بخش هفتم، بازپس‌انتشار خطا را در یک شبکه چندلایه با محاسبات عددی کامل بررسی کردیم. اکنون می‌خواهیم همان روابط ریاضی را به یک برنامه عملیاتی تبدیل کنیم؛ برنامه‌ای که بتواند شبکه‌هایی با تعداد لایه‌ها و نورون‌های متفاوت بسازد، آموزش دهد و عملکرد […]
بازپس‌انتشار خطا از صفر – بخش دوم: محاسبه گرادیان و آموزش الگوریتم در شبکه چندلایه
5. — Backpropagation یک نورون؛ از محاسبه خطا تا اصلاح وزن‌ها در بخش چهارم، قاعده زنجیره‌ای را برای گراف‌های محاسباتی و شبکه‌های عصبی بررسی کردیم. اکنون می‌خواهیم از این دانش برای حل یک مسئله عملی استفاده کنیم: چگونه یک نورون مصنوعی با مشاهده خطای پیش‌بینی، مقدار وزن‌ها و بایاس خود را اصلاح می‌کند؟ در این […]
بازپس‌انتشار خطا از صفر – بخش اول: گرادیان، گراف محاسباتی و قاعده زنجیره‌ای
۱. چرا شبکه عصبی باید گرادیان خطا را به عقب منتقل کند؟ شبکه عصبی در مرحله انتشار رو‌به‌جلو (Forward Propagation) مجموعه‌ای از محاسبات را روی داده‌های ورودی انجام می‌دهد و در نهایت خروجی تولید می‌کند. اما تولید خروجی، حتی اگر از نظر ریاضی کاملاً صحیح انجام شده باشد، به معنای یادگیری نیست. برای یادگیری، شبکه […]