Нейронную

Резюме
• Метод градиентного спуска 
— это действительно хороший способ нахождения 
минимума функции, и он прекрасно работает, когда функция настолько слож­
на, что ее математическая обработка алгебраическими методами сопряжена 
с большими трудностями.
• Более того, этот метод хорошо работает в случае функций многих перемен­
ных, когда другие методы не срабатывают либо их невозможно реализовать 
на практике.
• Данный метод также 
устойчив 
к наличию дефектных данных и не заведет вас 
далеко в неправильную сторону, если функция не описывается идеально или 
же время от времени мы совершаем неверные шаги.
Выходной сигнал нейронной сети представляет собой сложную, 
трудно поддающуюся описанию функцию со многими параметрами, 
весовыми коэффициентами связей, которые влияют на выходной
108 
Глава 1. Как работают нейронные сети

---

сигнал. Так можем ли мы использовать метод градиентного спуска 
для определения подходящих значений весов? Можем, если пра­
вильно выберем функцию ошибки.
Функция выходного сигнала сама по себе не является функцией 
ошибки. Но мы знаем, что можем легко превратить ее в таковую, по­
скольку ошибка — это разность между целевыми тренировочными 
значениями и фактическими выходными значениями.
Однако здесь есть кое-что, чего следует остерегаться. Взгляните 
на приведенную ниже таблицу с тренировочными данными и факти­
ческими значениями для трех выходных узлов вместе с кандидатами 
на роль функции ошибок.
Выход
сети
Целевой
результат
Ошибка
(целевое-
фактическое)
Ошибка
|целевое-
фактическое|