Đang tải... (xem toàn văn)
Mạng đa lớp thuật toán lan truyền ngược
MẠNG ĐA LỚP THUẬT TOÁN LAN TRUYỀN NGƯỢC nhóm THUẬT TOÁN LAN TRUYỀN NGƯỢC • Vector gradient mặt phẳng sai số • Chỉ đường giảm dốc vị trí , từ định di chuyển để đạt giá trị cực tiểu toàn cục • Khó khăn độ lớn bước di chuyển NGƯỠNG SIGMOID x1 w1 x2 w2 x1 = w0 net = ∑ wixi wn xn σ (y) = dσ(y) dy 1 + e-y = σ(y) (1 - σ(y)) o = σ(net) = + e-net THUẬT TOÁN LAN TRUYỀN NGƯỢC Hàm lỗi: E(w) = ½ ∑d∈D ∑k∈outputs (tkd – okd)2 ouputs: tập tất nơ-ron đầu mạng tkd , okd : giá trị đích giá trị đầu tương ứng nơ-ron thứ k ứng với mẫu học d THUẬT TOÁN LAN TRUYỀN NGƯỢC BackPropagation (training_examples, ƞ, nin, nout, nhidden) in hidden out ni n nhidd en nout Tạo mạng truyền thẳng gồm: nin đầu vào, nhidden nơ-ron tầng ẩn, nout nơ-ron đầu THUẬT TOÁN LAN TRUYỀN NGƯỢC BackPropagation (training_examples, ƞ, nin, nout, nhidden) in ni n whi hidden nhidd en woh out nout Khởi tạo trọng cho mạng với giá trị nhỏ THUẬT TOÁN LAN TRUYỀN NGƯỢC BackPropagation (training_examples, ƞ, nin, nout, nhidden) ok oh in ni n whi hidden nhidd en woh out nout Trong làm: Với cặp (x, t) không gian mẫu huấn luyện thực hiện: Đưa giá trị đầu vào x qua mạng tính đầu ou ứng với nơ-ron u mạng THUẬT TOÁN LAN TRUYỀN NGƯỢC BackPropagation (training_examples, ƞ, nin, nout, nhidden) ok oh in ni n whi hidden nhidd en out woh nout δk Trong làm: Với cặp (x, t) không gian mẫu huấn luyện thực hiện: Với nơ-ron đầu k, ta tính giá trị lỗi δk δk= ok(1 – ok)(tk – ok) THUẬT TOÁN LAN TRUYỀN NGƯỢC BackPropagation (training_examples, ƞ, nin, nout, nhidden) ok oh in ni n whi hidden nhidd δh en out woh nout δk Trong làm: Với cặp (x, t) không gian mẫu huấn luyện thực hiện: Với nơ-ron tầng ẩn h, ta tính giá trị lỗi δh δh= oh(1 – oh)∑k∈outputswkhδk THUẬT TOÁN LAN TRUYỀN NGƯỢC BackPropagation (training_examples, ƞ, nin, nout, nhidden) ok oh in ni n whi hidden nhidd δh en out woh nout δk Trong làm: Với cặp (x, t) không gian mẫu huấn luyện thực hiện: Cập nhật lại trọng số có mạng wji wji wji + ∆wji ∆wji = ƞ δj xji THUẬT TOÁN LAN TRUYỀN NGƯỢC Ví dụ: I2 H1 0.2 I1 O1 1.1 0.7 -0.1 0.1 -1.2 0.4 I3 1.17 1.2 H2 Input: x = (10, 30, 20) Target: t = (1, 0) Hệ số học: 3.1 η = 0.1 O2 THUẬT TOÁN LAN TRUYỀN NGƯỢC Ví dụ (tt): Đưa giá trị đầu vào x qua mạng tính đầu ou ứng với nơ-ron u mạng o = σ(net) = Với net = Σwjixji + e-net H1: netH1 = 10 * 0.2 + 30 * (-0.1) + 20 * 0.4 = oH1 = σ(netH1) = 0.9990 H2: netH2 = 10 * 0.7 + 30 * (-1.2) + 20 * 1.2 = -5 oH2 = σ(netH2) = 0.0067 O1: netO1 = 0.9990 * 1.1 + 0.0067 * 0.1 = 1.0996 oO1 = σ(netO1) = 0.7501 O2: netO2 = 0.9990 * 3.1 + 0.0067 * 1.17 = 3.1047 oO2 = σ(netO2) = 0.9571 THUẬT TOÁN LAN TRUYỀN NGƯỢC Ví dụ (tt): Với nơ-ron đầu k, ta tính giá trị lỗi δk δk= ok(1 – ok)(tk – ok) δO1 = oO1(1 - oO1)(tO1 - oO1) = 0.750 (1 – 0.750)(1 – 0.750) = 0.0469 δO2 = oO2(1 – oO2)(tO2 – oO2) = 0.957 (1 – 0.957)(0 – 0.957) = - 0.0394 Với nơ-ron tầng ẩn h, ta tính giá trị lỗi δh δh= oh(1 – oh)∑k∈outputswkhδk δH1 = oH1(1 - oH1)[(w11 * δO1) + (w21* δO2)] = 0.999(1 – 0.999)[(1.1 * 0.0469) + (3.1 * (-0.0394))] = - 0.0000705 δH2 = oH2(1 – oH2)[(w12 * δO1) + (w22* δO2)] = 0.0067(1 – 0.0067)[(0.1 * 0.0469) + (1.17 * (-0.0394))] = - 0.000275 THUẬT TOÁN LAN TRUYỀN NGƯỢC Ví dụ (tt): Cập nhật lại trọng số có mạng wji wji wji + ∆wji ∆wji = ƞ δj xji Nơ-ron Nơ-ron ẩn đầu η δO oH = xji ∆= ƞδOxji W cũ W H1 O1 0.1 0.0469 0.999 0.000469 1.1 1.100469 H1 O2 0.1 - 0.0394 0.999 -0.00394 3.1 3.09606 H2 O1 0.1 0.0469 0.0067 0.0000314 0.1 0.1000314 H2 O2 0.1 - 0.0394 0.0067 -0.0000264 1.17 1.1699736 THUẬT TOÁN LAN TRUYỀN NGƯỢC Ví dụ (tt): Cập nhật lại trọng số có mạng wji Đầu vào Nơ-ron ẩn I1 H1 I1 η δH xI ∆= ƞδOxji W cũ W 0.1 -0.0000705 10 -0.0000705 0.2 0.1999295 H2 0.1 -0.000275 10 -0.000275 0.7 0.699725 I2 H1 0.1 -0.0000705 30 -0.0002115 -0.1 -0.1000705 I2 H2 0.1 -0.000275 30 -0.000825 -1.2 -1.200825 I3 H1 0.1 -0.0000705 20 -0.000141 0.4 0.399859 I3 H2 0.1 -0.000275 20 -0.00055 1.2 1.19945 THUẬT TOÁN LAN TRUYỀN NGƯỢC • Cập nhật trọng tăng cường ∆wji(n) = η δixji + α∆wji(n-1) n: lần lặp thứ n ≤ α< 1: số tăng cường (momentum) Đánh giá thuật toán lan truyền ngược (tt) • Vấn đề hội tụ cực trị cục – Mạng hội tụ điểm cực tiểu hóa cục không gian lỗi – Vấn đề cực trị cục • Cực tiểu lỗi với trọng không với trọng khác • Số vòng lặp học phải đủ lớn để xuất nhiều cực trị cục (gần với cực trị toàn cục) mạng biểu diễn hàm phức tạp Đánh giá thuật toán lan truyền ngược (tt) • PP hạn chế vấn đề cực trị cục – Cập nhật trọng tăng cường (Adding momentum) – Dùng thuật toán Gradient giảm ngẫu nhiên (Stochastic gradient descent) – Cùng liệu học, dùng nhiều mạng loại có trọng khởi tạo khác để học, kết đầu lấy trung bình mạng Đánh giá thuật toán lan truyền ngược (tt) • Điều kiệndừngvàquákhớp – Điềukiệndừng: Lỗi E [...]...THUẬT TOÁN LAN TRUYỀN NGƯỢC Ví dụ: I2 H1 0.2 I1 O1 1.1 0.7 -0.1 0.1 -1.2 0.4 I3 1.17 1.2 H2 Input: x = (10, 30, 20) Target: t = (1, 0) Hệ số học: 1 3.1 η = 0.1 0 O2 THUẬT TOÁN LAN TRUYỀN NGƯỢC Ví dụ (tt): 1 Đưa giá trị đầu vào x qua mạng và tính đầu ra ou ứng với mỗi nơ-ron u trong mạng 1 o = σ(net) = Với net = Σwjixji 1 + e-net H1: netH1... hàm phức tạp Đánh giá thuật toán lan truyền ngược (tt) • PP hạn chế vấn đề cực trị cục bộ – Cập nhật trọng tăng cường (Adding momentum) – Dùng thuật toán Gradient giảm ngẫu nhiên (Stochastic gradient descent) – Cùng một dữ liệu học, dùng nhiều mạng cùng loại có bộ trọng được khởi tạo khác nhau để học, kết quả đầu ra lấy trung bình các mạng Đánh giá thuật toán lan truyền ngược (tt) • Điều kiệndừngvàquákhớp... 0.000275 THUẬT TOÁN LAN TRUYỀN NGƯỢC Ví dụ (tt): 4 Cập nhật lại trọng số có trong mạng wji wji wji + ∆wji ∆wji = ƞ δj xji Nơ-ron Nơ-ron ẩn đầu ra η δO oH = xji ∆= ƞδOxji W cũ W mới H1 O1 0.1 0.0469 0.999 0.000469 1.1 1.100469 H1 O2 0.1 - 0.0394 0.999 -0.00394 3.1 3.09606 H2 O1 0.1 0.0469 0.0067 0.0000314 0.1 0.1000314 H2 O2 0.1 - 0.0394 0.0067 -0.0000264 1.17 1.1699736 THUẬT TOÁN LAN TRUYỀN NGƯỢC Ví... giá thuật toán lan truyền ngược (tt) • Vấn đề hội tụ và cực trị cục bộ – Mạng hội tụ tại những điểm có thể cực tiểu hóa cục bộ không gian lỗi – Vấn đề của cực trị cục bộ • Cực tiểu lỗi có thể đúng với trọng này nhưng không đúng với trọng khác • Số vòng lặp học phải đủ lớn để xuất hiện nhiều cực trị cục bộ (gần với cực trị toàn cục) thì mạng mới có thể biểu diễn được những hàm phức tạp Đánh giá thuật toán. .. lại trọng số có trong mạng wji Đầu vào Nơ-ron ẩn I1 H1 I1 η δH xI ∆= ƞδOxji W cũ W mới 0.1 -0.0000705 10 -0.0000705 0.2 0.1999295 H2 0.1 -0.000275 10 -0.000275 0.7 0.699725 I2 H1 0.1 -0.0000705 30 -0.0002115 -0.1 -0.1000705 I2 H2 0.1 -0.000275 30 -0.000825 -1.2 -1.200825 I3 H1 0.1 -0.0000705 20 -0.000141 0.4 0.399859 I3 H2 0.1 -0.000275 20 -0.00055 1.2 1.19945 THUẬT TOÁN LAN TRUYỀN NGƯỢC • Cập nhật trọng... (-1.2) + 20 * 1.2 = -5 oH2 = σ(netH2) = 0.0067 O1: netO1 = 0.9990 * 1.1 + 0.0067 * 0.1 = 1.0996 oO1 = σ(netO1) = 0.7501 O2: netO2 = 0.9990 * 3.1 + 0.0067 * 1.17 = 3.1047 oO2 = σ(netO2) = 0.9571 THUẬT TOÁN LAN TRUYỀN NGƯỢC Ví dụ (tt): 2 Với mỗi nơ-ron đầu ra k, ta tính giá trị lỗi δk δk= ok(1 – ok)(tk – ok) δO1 = oO1(1 - oO1)(tO1 - oO1) = 0.750 (1 – 0.750)(1 – 0.750) = 0.0469 δO2 = oO2(1 – oO2)(tO2 – oO2)... để học, kết quả đầu ra lấy trung bình các mạng Đánh giá thuật toán lan truyền ngược (tt) • Điều kiệndừngvàquákhớp – Điềukiệndừng: Lỗi E ... đầu THUẬT TOÁN LAN TRUYỀN NGƯỢC BackPropagation (training_examples, ƞ, nin, nout, nhidden) in ni n whi hidden nhidd en woh out nout Khởi tạo trọng cho mạng với giá trị nhỏ THUẬT TOÁN LAN TRUYỀN... 1.2 1.19945 THUẬT TOÁN LAN TRUYỀN NGƯỢC • Cập nhật trọng tăng cường ∆wji(n) = η δixji + α∆wji(n-1) n: lần lặp thứ n ≤ α< 1: số tăng cường (momentum) Đánh giá thuật toán lan truyền ngược (tt) •... cực trị toàn cục) mạng biểu diễn hàm phức tạp Đánh giá thuật toán lan truyền ngược (tt) • PP hạn chế vấn đề cực trị cục – Cập nhật trọng tăng cường (Adding momentum) – Dùng thuật toán Gradient giảm