Правило дельты - Delta rule

В машинное обучение, то правило дельты это градиентный спуск правило обучения для обновления весов входных данных до искусственные нейроны в однослойная нейронная сеть.[1] Это частный случай более общего обратное распространение алгоритм. Для нейрона с функция активации , дельта-правило для с й вес дан кем-то

,

куда

небольшая константа, называемая скорость обучения
функция активации нейрона
это производная из
целевой результат
- взвешенная сумма входов нейрона
это фактический результат
это -й ввод.

Он считает, что и .

Правило дельты обычно формулируется в упрощенной форме для нейрона с линейной функцией активации как

Хотя правило дельты похоже на перцептрон Правило обновления, происхождение другое. Персептрон использует Ступенчатая функция Хевисайда как функция активации , а это значит, что не существует в нуле и равен нулю в другом месте, что делает невозможным прямое применение правила дельты.

Вывод правила дельты

Правило дельты выводится путем попытки минимизировать ошибку на выходе нейронной сети с помощью градиентный спуск. Ошибка для нейронной сети с выходы могут быть измерены как

.

В этом случае мы хотим перемещаться через «пространство весов» нейрона (пространство всех возможных значений всех весов нейрона) пропорционально градиенту функции ошибок относительно каждого веса. Для этого мы вычисляем частная производная ошибки по каждому весу. Для -го веса, эту производную можно записать как

.

Потому что мы озабочены только -й нейрон, мы можем заменить формулу ошибки выше, опуская суммирование:

Далее мы используем Правило цепи чтобы разделить это на две производные:

Чтобы найти левую производную, мы просто применяем Правило цепи:

Чтобы найти правую производную, мы снова применяем цепное правило, на этот раз дифференцируя общий вклад в , :

Обратите внимание, что вывод й нейрон, , это просто функция активации нейрона применяется к входу нейрона . Следовательно, мы можем записать производную от относительно просто как первая производная:

Далее перепишем в последнем семестре как сумма по всем веса каждого веса раз его соответствующий ввод :

Потому что мы озабочены только -го веса, единственный релевантный член суммирования - это . Четко,

,

давая нам окончательное уравнение градиента:

Как отмечалось выше, градиентный спуск сообщает нам, что наше изменение для каждого веса должно быть пропорционально градиенту. Выбор константы пропорциональности и удалив знак минус, чтобы мы могли перемещать вес в отрицательном направлении градиента, чтобы минимизировать ошибку, мы приходим к нашему целевому уравнению:

.

Смотрите также

Рекомендации

  1. ^ Рассел, Ингрид. "Правило дельты". Хартфордский университет. Архивировано из оригинал 4 марта 2016 г.. Получено 5 ноября 2012.