আমি অনুভব করেছি যে আগ্রহী যে কেউ আমি এখানে একটি স্ব-অন্তর্ভুক্ত পোস্টের উত্তর দেব answer এটি এখানে বর্ণিত স্বরলিপি ব্যবহার করবে ।
ভূমিকা
ব্যাকপ্রেগেশনের পিছনে ধারণার মধ্যে এমন একটি "প্রশিক্ষণ উদাহরণ" রয়েছে যা আমরা আমাদের নেটওয়ার্ক প্রশিক্ষণের জন্য ব্যবহার করি। এগুলির প্রত্যেকটির একটি উত্তর রয়েছে, সুতরাং আমরা এগুলি নিউরাল নেটওয়ার্কে প্লাগ করতে পারি এবং এটি কতটা ভুল ছিল তা খুঁজে পেতে পারি।
উদাহরণস্বরূপ, হস্তাক্ষর স্বীকৃতি সহ, আপনার কাছে হস্তাক্ষরগুলি আসলে যেগুলি ছিল তার পাশাপাশি প্রচুর হস্তাক্ষরযুক্ত অক্ষর থাকবে। তারপরে নিউরাল নেটওয়ার্কটি প্রতিটি প্রতীককে কীভাবে চিহ্নিত করতে হয় "শিখতে" ব্যাকপ্রসারণের মাধ্যমে প্রশিক্ষণ দেওয়া যেতে পারে, সুতরাং পরে যখন এটি একটি অজানা হাতে লেখা অক্ষরের সাথে উপস্থাপিত হয় তখন এটি সঠিকভাবে কী তা চিহ্নিত করতে পারে।
বিশেষত, আমরা নিউরাল নেটওয়ার্কে কিছু প্রশিক্ষণের নমুনা ইনপুট করি, দেখুন যে এটি কতটা ভাল হয়েছে, তারপরে "পিছনে ট্রিকল করুন" আরও ভাল ফলাফল পাওয়ার জন্য আমরা প্রতিটি নোডের ওজন এবং পক্ষপাতকে কতটা পরিবর্তন করতে পারি তা খুঁজে বের করতে এবং তারপরে সেগুলি অনুযায়ী সামঞ্জস্য করি। যেহেতু আমরা এটি করা চালিয়ে যাচ্ছি, নেটওয়ার্ক "শিখে"।
প্রশিক্ষণ প্রক্রিয়াতে অন্তর্ভুক্ত থাকতে পারে এমন অন্যান্য পদক্ষেপগুলিও রয়েছে (উদাহরণস্বরূপ, ড্রপআউট), তবে আমি বেশিরভাগ ব্যাকপ্রসারণের দিকে মনোনিবেশ করব যেহেতু এই প্রশ্নটিই ছিল।
আংশিক অন্তরকলন
একটি আংশিক ডেরাইভেটিভ কিছু পরিবর্তনশীলএক্স এরসাথে সম্মানের সাথেচ এরএকটি অনুজাত ।∂f∂xfx
উদাহরণস্বরূপ, যদি , ∂ ff(x,y)=x2+y2কারণY2কেবল সম্মান সঙ্গে একটি ধ্রুবকএক্স। অনুরূপভাবে,∂চ∂f∂x=2xy2x, কারণএক্স2কেবল সম্মান সঙ্গে একটি ধ্রুবকY।∂f∂y=2yx2y
একটি ফাংশনের গ্রেডিয়েন্ট, মনোনীত , এফ মধ্যে প্রতিটি চলক জন্য আংশিক ডেরাইভেটিভ সমন্বিত একটি ফাংশন। বিশেষ করে:∇f
,
∇f(v1,v2,...,vn)=∂f∂v1e1+⋯+∂f∂vnen
যেখানে একটি ইউনিট ভেক্টর যা ভ্যারিয়েবল ভি 1 এর দিকে নির্দেশ করে ।eiv1
এখন, একবার আমরা নির্ণিত আছে কিছু ফাংশন জন্য চ , যদি আমরা অবস্থানে আছে ( বনাম 1 , V 2 , । । । ,∇ff , আমরা "নিচে স্লাইড" করতে পারেন চ দিক গিয়ে - ∇ চ ( বনাম 1 , V 2 , । । । , বনাম এন ) ।(v1,v2,...,vn)f−∇f(v1,v2,...,vn)
আমাদের উদাহরণ সহ ইউনিট ভেক্টরগুলি হ'ল ই 1 = ( 1 , 0 ) এবং ই 2 = ( 0 , 1f(x,y)=x2+y2e1=(1,0) , কারণ ভি 1 = x এবং ভি 2 = y , এবং এই ভেক্টরগুলি x এবং y অক্ষেরদিকে নির্দেশ করে। সুতরাং, ∇ f ( x , y)e2=(0,1)v1=xv2=yxy ।∇ চ( x , y)) = 2 x ( 1 , 0 ) + 2 y( 0 , 1 )
এখন, থেকে "স্লাইডটি নীচে" আমাদের ফাংশন যাক আসুন আমরা একটি বিন্দু হয় ( - 2 , 4 ) । তারপরে আমাদের দিকনির্দেশে অগ্রসর হওয়া দরকার - ∇ f ( - 2 , - 4 ) = - ( 2 ⋅ - 2 ⋅চ( - 2 , 4 ) ।- ∇ চ( - 2 , - 4 ) = - ( 2 ⋅ - 2 ⋅ ( 1 , 0 ) + 2 ⋅ 4 ⋅ ( 0 , 1 ) ) = - ( ( - 4 , 0 ) + ( 0 , 8 ) ) = ( 4 , - 8 )
এই ভেক্টরের তীব্রতা আমাদের দেয় যে পাহাড়টি কত খাড়া (উচ্চতর মানের অর্থ পাহাড়টি খাড়া)) এই ক্ষেত্রে, আমরা আছে ।42+ ( - 8 )2---------√≈ 8.944
হাডামারড পণ্য
দুটি ম্যাট্রিকের হাডামারড পণ্যটি হ'ল ম্যাট্রিক্স সংযোজনের মতো, ম্যাট্রিকগুলি উপাদান-ভিত্তিক যুক্ত না করে আমরা সেগুলি উপাদান অনুসারে গুণিত করি।এ , বি ∈ আরn × মি
সাধারণত, ম্যাট্রিক্স সংযোজন , যেখানে সি ∈ আর এন × এম যেমনA+B=CC∈Rn×m
,
Cij=Aij+Bij
হাডামারড পণ্য , যেখানে C ∈ R n × m এমনA⊙B=CC∈Rn×m
Cij=Aij⋅Bij
গ্রেডিয়েন্টগুলি গণনা করা হচ্ছে
(এই বিভাগের বেশিরভাগ অংশ নীলসেনের বই থেকে )।
আমাদের প্রশিক্ষণের নমুনার একটি সেট রয়েছে, , যেখানে এস আর একক ইনপুট প্রশিক্ষণের নমুনা এবং E r সেই প্রশিক্ষণের নমুনার প্রত্যাশিত আউটপুট মান। আমরা আমাদের স্নায়ুর নেটওয়ার্ক, গোঁড়ামির গঠিত আছে ওয়াট(S,E)SrErW এবং ওয়েট । ফিডফোর্ড নেটওয়ার্কের সংজ্ঞা হিসাবে ব্যবহৃত আই , জে এবং কে থেকে বিভ্রান্তি রোধ করতে r ব্যবহার করা হয় ।Brijk
এর পরে, আমরা একটি ব্যয় ফাংশন, সংজ্ঞায়িত করি যা আমাদের নিউরাল নেটওয়ার্ক এবং একক প্রশিক্ষণের উদাহরণ গ্রহণ করে এবং এটি কীভাবে ভাল ফলাফল করেছিল তা প্রকাশ করে।C(W,B,Sr,Er)
সাধারণত যা ব্যবহৃত হয় তা হল চতুষ্কোণ ব্যয়, যা দ্বারা সংজ্ঞায়িত করা হয়
C(W,B,Sr,Er)=0.5∑j(aLj−Erj)2
যেখানে আমাদের নিউরাল নেটওয়ার্কের আউটপুট, ইনপুট নমুনা এস আর দেওয়া হয়aLSr
তারপর আমরা খুঁজে পেতে চান এবং∂C∂C∂wij আমাদের ফিডফোরওয়ার্ড নিউরাল নেটওয়ার্কের প্রতিটি নোডের জন্য।∂C∂bij
আমরা প্রতিটি নিউরনে এটি এর গ্রেডিয়েন্ট বলতে পারি কারণ আমরা এস আর ও ই আর বিবেচনা করিCSrEr ধ্রুবক হিসাবে , কারণ যখন আমরা শেখার চেষ্টা করছি তখন আমরা সেগুলি পরিবর্তন করতে পারি না। আর এই জ্ঞান করে তোলে - আমরা একটি দিক আপেক্ষিক স্থানান্তর করতে চান এবং বি যে ছোট ভস্মীভূত হয় এবং সম্মান সঙ্গে গ্রেডিয়েন্ট নেতিবাচক দিক চলন্ত ওয়াট এবং বি করব।WBWB
এটি করার জন্য, আমরা সংজ্ঞায়িত করি স্নায়ুর ত্রুটিঞস্তরেআমি।δij=∂C∂zijji
আমরা আমাদের নিউরাল নেটওয়ার্কে এস আর প্লাগ করে কম্পিউটিং দিয়ে শুরু করি ।aLSr
তারপরে আমরা আমাদের আউটপুট স্তর, মাধ্যমে ত্রুটি গণনা করিδL
।
δLj=∂C∂aLjσ′(zLj)
যা হিসাবে লেখা যেতে পারে
।
δL=∇aC⊙σ′(zL)
এর পরে, আমরা ভুল খুঁজে পরবর্তী স্তরে ত্রুটি পরিপ্রেক্ষিতে δ আমি + + 1 মাধ্যমেδiδi+1
δi=((Wi+1)Tδi+1)⊙σ′(zi)
এখন আমাদের নিউরাল নেটওয়ার্কে প্রতিটি নোডের ত্রুটি রয়েছে, আমাদের ওজন এবং বায়াসগুলি সম্মানের সাথে গ্রেডিয়েন্টটি গণনা করা সহজ:
∂C∂wijk=δijai−1k=δi(ai−1)T
∂C∂bij=δij
দ্রষ্টব্য যে আউটপুট স্তরের ত্রুটির জন্য সমীকরণটি একমাত্র সমীকরণ যা ব্যয় ফাংশনের উপর নির্ভর করে, সুতরাং ব্যয় নির্বিশেষে, শেষ তিনটি সমীকরণ একই।
উদাহরণস্বরূপ, চতুর্ভুজ ব্যয় সহ, আমরা পাই
δL=(aL−Er)⊙σ′(zL)
for the error of the output layer. and then this equation can be plugged into the second equation to get the error of the L−1th layer:
δL−1=((WL)TδL)⊙σ′(zL−1)
=((WL)T((aL−Er)⊙σ′(zL)))⊙σ′(zL−1)
which we can repeat this process to find the error of any layer with respect to C, which then allows us to compute the gradient of any node's weights and bias with respect to C.
I could write up an explanation and proof of these equations if desired, though one can also find proofs of them here. I'd encourage anyone that is reading this to prove these themselves though, beginning with the definition δij=∂C∂zij and applying the chain rule liberally.
For some more examples, I made a list of some cost functions alongside their gradients here.
Gradient Descent
Now that we have these gradients, we need to use them learn. In the previous section, we found how to move to "slide down" the curve with respect to some point. In this case, because it's a gradient of some node with respect to weights and a bias of that node, our "coordinate" is the current weights and bias of that node. Since we've already found the gradients with respect to those coordinates, those values are already how much we need to change.
We don't want to slide down the slope at a very fast speed, otherwise we risk sliding past the minimum. To prevent this, we want some "step size" η.
Then, find the how much we should modify each weight and bias by, because we have already computed the gradient with respect to the current we have
Δwijk=−η∂C∂wijk
Δbij=−η∂C∂bij
Thus, our new weights and biases are
wijk=wijk+Δwijk
bij=bij+Δbij
Using this process on a neural network with only an input layer and an output layer is called the Delta Rule.
Stochastic Gradient Descent
Now that we know how to perform backpropagation for a single sample, we need some way of using this process to "learn" our entire training set.
One option is simply performing backpropagation for each sample in our training data, one at a time. This is pretty inefficient though.
A better approach is Stochastic Gradient Descent. Instead of performing backpropagation for each sample, we pick a small random sample (called a batch) of our training set, then perform backpropagation for each sample in that batch. The hope is that by doing this, we capture the "intent" of the data set, without having to compute the gradient of every sample.
For example, if we had 1000 samples, we could pick a batch of size 50, then run backpropagation for each sample in this batch. The hope is that we were given a large enough training set that it represents the distribution of the actual data we are trying to learn well enough that picking a small random sample is sufficient to capture this information.
However, doing backpropagation for each training example in our mini-batch isn't ideal, because we can end up "wiggling around" where training samples modify weights and biases in such a way that they cancel each other out and prevent them from getting to the minimum we are trying to get to.
To prevent this, we want to go to the "average minimum," because the hope is that, on average, the samples' gradients are pointing down the slope. So, after choosing our batch randomly, we create a mini-batch which is a small random sample of our batch. Then, given a mini-batch with n training samples, and only update the weights and biases after averaging the gradients of each sample in the mini-batch.
Formally, we do
Δwijk=1n∑rΔwrijk
and
Δbij=1n∑rΔbrij
where Δwrijk is the computed change in weight for sample r, and Δbrij is the computed change in bias for sample r.
Then, like before, we can update the weights and biases via:
wijk=wijk+Δwijk
bij=bij+Δbij
This gives us some flexibility in how we want to perform gradient descent. If we have a function we are trying to learn with lots of local minima, this "wiggling around" behavior is actually desirable, because it means that we're much less likely to get "stuck" in one local minima, and more likely to "jump out" of one local minima and hopefully fall in another that is closer to the global minima. Thus we want small mini-batches.
On the other hand, if we know that there are very few local minima, and generally gradient descent goes towards the global minima, we want larger mini-batches, because this "wiggling around" behavior will prevent us from going down the slope as fast as we would like. See here.
One option is to pick the largest mini-batch possible, considering the entire batch as one mini-batch. This is called Batch Gradient Descent, since we are simply averaging the gradients of the batch. This is almost never used in practice, however, because it is very inefficient.