Qiyinlik darajasi


ReLU va Softmax funksiyalarining farqi nimada



Download 4,8 Mb.
bet10/27
Sana09.04.2022
Hajmi4,8 Mb.
#540307
1   ...   6   7   8   9   10   11   12   13   ...   27
Bog'liq
1-mashinali o\'qitish baza

ReLU va Softmax funksiyalarining farqi nimada
Relu va softmax chuqur o'rganishda faollashtirish funksiyalaridir. Bizda sigmasimon va leakyRelu kabi boshqa mashhur versiyalar ham mavjud.

Faollashtirish funksiyalaridan foydalanish yoshi ma'lum bir kirish to'plami uchun tugunning chiqishini aniqlashdan iborat.


Relu - bu yashirin qatlamda ham, chiqish qatlamida ham ishlatilishi mumkin bo'lgan faollashtirish funktsiyasi. U kirishni oladi, so'ngra 0 dan 1 gacha bo'lgan chiqishni hosil qiladi. Shunday qilib, siz Relu'da chiqish qiymatlari sifatida 0,1, 0,3, 0,9 kabi natijalarni olasiz.


Sigmasimon faollashtirish funksiyasidan ikkilik tasnif bilan ishlashda yashirin qatlamda ham, chiqish qatlamida ham foydalanish mumkin. ya'ni 0 dan 1 gacha bo'lgan natijani chiqaradi.


Softmax faollashtirish funksiyasi asosan chiqish qatlamida qo'llaniladi va u 2 dan ortiq chiqishlarni tasniflaganda ishlatiladi.


Bu bu haqda asosiy tushuntirish. Ammo agar sizga asosiy tushunchalar kerak bo'lsa .. Buning ortidagi matematikani tushunishingiz kerak bo'ladi.






Keras va tensorflowning o’zaro bo’g’liqligi nimada?

Ikkalasi ham yuqori darajadagi API larni taqdim etadi


Keras – bu Python-da yozilgan, Theano yoki Tensorflow-ning asosiga
qurilgan Ochiq Kodli netron tarmoq kutubxonasidir. U modulli,
tezkor va ishlatish uchun qulay holatda Google kompaniyasi
muhandisi Fransua Cholet ishlab chiqqan.
Keras – bu hisob-kitoblarni amalga oshirish uchun TensorFlow,
CNTK yoki Theano “Backend” kutubxonalaridan foydalanadigan,
yuqori darajada ishlaydigan API(application programming
interface)dir.


Neyron tuguniga kiruvchi qiymatlar qayerdan olinadi?

Sun'iy neyron tarmoqlari (ANN) yoki simulyatsiya qilingan neyron tarmoqlari (SNN) sifatida ham tanilgan neyron tarmoqlar mashinani o'rganishning bir qismi bo'lib, chuqur o'rganish algoritmlarining markazida joylashgan. Ularning nomi va tuzilishi biologik neyronlarning bir-biriga signal berish usulini taqlid qilib, inson miyasidan ilhomlangan.


Sun'iy neyron tarmoqlari (ANN) kirish qatlami, bir yoki bir nechta yashirin qatlamlar va chiqish qatlamini o'z ichiga olgan tugun qatlamlaridan iborat. Har bir tugun yoki sun'iy neyron boshqasiga ulanadi va u bilan bog'liq vazn va chegaraga ega. Agar biron bir alohida tugunning chiqishi belgilangan chegara qiymatidan yuqori bo'lsa, ushbu tugun faollashtiriladi va ma'lumotlarni tarmoqning keyingi qatlamiga yuboradi. Aks holda, tarmoqning keyingi qatlamiga hech qanday ma'lumot uzatilmaydi


Kirish qatlami aniqlangandan so'ng, og'irliklar tayinlanadi. Ushbu og'irliklar har qanday berilgan o'zgaruvchining ahamiyatini aniqlashga yordam beradi, kattaroqlari esa boshqa kirishlarga nisbatan chiqishga sezilarli hissa qo'shadi. Keyin barcha kiritilgan ma'lumotlar tegishli og'irliklarga ko'paytiriladi va keyin yig'iladi. Shundan so'ng, chiqish faollashtirish funksiyasidan o'tadi, bu chiqishni aniqlaydi. Agar ushbu chiqish belgilangan chegaradan oshsa, u tarmoqdagi keyingi qatlamga ma'lumotlarni uzatib, tugunni "yondiradi" (yoki faollashtiradi). Bu bitta tugunning chiqishi keyingi tugunning kirishiga aylanishiga olib keladi. Bir qatlamdan keyingi qatlamga ma'lumotlarni uzatish jarayoni ushbu neyron tarmoqni oldinga uzatish tarmog'i sifatida belgilaydi.







  1. Download 4,8 Mb.

    Do'stlaringiz bilan baham:
1   ...   6   7   8   9   10   11   12   13   ...   27




Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©hozir.org 2024
ma'muriyatiga murojaat qiling

kiriting | ro'yxatdan o'tish
    Bosh sahifa
юртда тантана
Боғда битган
Бугун юртда
Эшитганлар жилманглар
Эшитмадим деманглар
битган бодомлар
Yangiariq tumani
qitish marakazi
Raqamli texnologiyalar
ilishida muhokamadan
tasdiqqa tavsiya
tavsiya etilgan
iqtisodiyot kafedrasi
steiermarkischen landesregierung
asarlaringizni yuboring
o'zingizning asarlaringizni
Iltimos faqat
faqat o'zingizning
steierm rkischen
landesregierung fachabteilung
rkischen landesregierung
hamshira loyihasi
loyihasi mavsum
faolyatining oqibatlari
asosiy adabiyotlar
fakulteti ahborot
ahborot havfsizligi
havfsizligi kafedrasi
fanidan bo’yicha
fakulteti iqtisodiyot
boshqaruv fakulteti
chiqarishda boshqaruv
ishlab chiqarishda
iqtisodiyot fakultet
multiservis tarmoqlari
fanidan asosiy
Uzbek fanidan
mavzulari potok
asosidagi multiservis
'aliyyil a'ziym
billahil 'aliyyil
illaa billahil
quvvata illaa
falah' deganida
Kompyuter savodxonligi
bo’yicha mustaqil
'alal falah'
Hayya 'alal
'alas soloh
Hayya 'alas
mavsum boyicha


yuklab olish