آموزش پایتون: مدل شبکه عصبی - نظارت شده :: بیسین - سایت تخصصی مهندسی آب

آموزش پایتون: مدل شبکه عصبی - نظارت شده

شکل 1: یک لایه پنهان MLP.


مدل Perceptron چند لایه

یک الگوریتم یادگیری تحت نظارت است که یک تابع f(\cdot): R^m \rightarrow R^o را  با تمرین در یک مجموعه دادهیاد میگیرد، آنجا که m تعداد ابعاد ورودی است و o تعداد از ابعاد خروجی با توجه به مجموعه ای از ویژگی های X = {x_1, x_2, ..., x_m} و یک هدف y، می توان یک تقریبنده تابع غیر خطی را برای هر دو طبقه بندی یا رگرسیون یاد گرفت. این تفاوت از رگرسیون لجستیک است، در حالی که بین ورودی و لایه خروجی، می تواند یک یا چند لایه غیر خطی وجود داشته باشد که لایه های مخفی هستند. شکل 1 یک MLP مخفی با خروجی اسکالر را نشان می دهد.


لایه سمت چپ، که به عنوان لایه ورودی شناخته می شود، شامل یک مجموعه نورون \{x_i | x_1, x_2, ..., x_m\} نشان دهنده ویژگی های ورودی است. هر نورون در لایه پنهان، مقادیری از لایه قبلی را با یک جمع بندی خطی وزن w_1x_1 + w_2x_2 + ... + w_mx_m، و سپس یک تابع فعال غیر خطی g(\cdot):R \rightarrow R تبدیل می کند: مانند هذلولی کارکرد قهوهای مایل به زرد لایه خروجی مقادیر از آخرین لایه پنهان را دریافت می کند و آنها را به مقادیر خروجی تبدیل می کند.


ماژول شامل ویژگی های عمومی coefs_ و intercepts_ می باشد. coefs_ یک لیست از ماتریس های وزن است، که در آن وزن ماتریس در شاخص i نشان دهنده وزن بین لایه i و لایه i + 1 است. intercepts_ یک لیست از بردارهای تعصب است، که در آن بردار در index i نشان دهنده مقادیر تعادلی اضافه شده به لایه i + 1 است.


مزایای Multi-layer Perceptron عبارتند از:

  • توانایی یادگیری مدل های غیر خطی
  • قابلیت یادگیری مدل ها در زمان واقعی (آموزش آنلاین) با استفاده از part_fit.


معایب MLP چند لایه (Perceptron) عبارتند از:

  • MLP با لایه های پنهان تابع، تلفات غیر محدب را دارد که در آن حداقل بیش از یک کمینه محلی وجود دارد. بنابراین مقیاس های تصادفی مختلف تصادفی می تواند به دقت اعتبار سنجی متفاوت منجر شود.
  • MLP نیاز به تعدیل چندین پارامتر مانند تعداد نورون های پنهان، لایه ها و تکرارها دارد.
  • MLP به مقیاس ویژگی حساس است.

تهیه از: بهزاد سرهادی

 کلیه سرفصل های برنامه نویسی: اینجا کلیک کنید.





نظرات (۰)

فرم ارسال نظر

ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
شما میتوانید از این تگهای html استفاده کنید:
<b> یا <strong>، <em> یا <i>، <u>، <strike> یا <s>، <sup>، <sub>، <blockquote>، <code>، <pre>، <hr>، <br>، <p>، <a href="" title="">، <span style="">، <div align="">
تجدید کد امنیتی


درباره بهترين هاي بيسيـــن بدانيد...

Bird

يکي از مهمترين اهداف اين سايت تهيه آموزش هاي روان از ابزارهاي کاربردي علوم آب است.

اهميت مطالعات محيطي با ابزارهاي نوين در چيست؟

امروز با فارغ التحصيلي جمع کثير دانشجويان سالهاي گذشته و حال، با گذر از کمي گرايي ديگر صرف وجود مدارک دانشگاهي حرف اول را در بازار کار نمي زند؛ بلکه سنجش ديگري ملاک؛ و شايسته سالاري به ناچار! باب خواهد شد. يکي از مهم ترين لوازم توسعه علمي در هر کشور و ارائه موضوعات ابتکاري، بهره گيري از ابزار نوين است، بيسين با همکاري مخاطبان مي تواند در حيطه علوم آب به معرفي اين مهم بپردازد.

جستجو در بيسين


بیسین - سایت تخصصی مهندسی آب

سایت مهندسی آب بیسین با معرفی مهم ترین و کاربردی ترین نرم افزارها و مدل های شبیه سازی در حیطه مهندسی آب، تلاش به تهیه خدمات یکپارچه و محلی از محاسبات هیدرولوژیکی و هیدرولیکی می کند

W3Schools


اطلاعات سايت

  • behzadsarhadi@gmail.com
  • بهزاد سرهادي
  • شناسه تلگرام: SubBasin
  • شماره واتساپ: 09190622992-098
  • شماره تماس: 09190622992-098

W3Schools