Como su nombre lo indica, la retropropagación es una algoritmo que propaga los errores de los nodos de salida a los nodos de entrada. Por lo tanto, simplemente se denomina 'propagación hacia atrás de errores'. Este enfoque se desarrolló a partir del análisis de un cerebro humano. El reconocimiento de voz, el reconocimiento de caracteres, la verificación de firmas, el reconocimiento de rostros humanos son algunas de las interesantes aplicaciones de las redes neuronales. Las redes neuronales pasan por el aprendizaje supervisado, el vector de entrada que pasa a través de la red produce un vector de salida. Este vector de salida se verifica con la salida deseada. Si el resultado no coincide con el vector de salida, se genera un informe de error. Según el informe de error, los pesos se ajustan para obtener el resultado deseado.
¿Qué es una red neuronal artificial?
Un Red neuronal artificial emplea la regla de aprendizaje supervisado para volverse eficiente y poderoso. La información en las redes neuronales fluye de dos formas diferentes. Principalmente, cuando el modelo se está entrenando o aprendiendo y cuando el modelo funciona normalmente, ya sea para pruebas o para realizar cualquier tarea. La información en diferentes formas se alimenta al modelo a través de las neuronas de entrada, lo que activa varias capas de neuronas ocultas y llega a las neuronas de salida, lo que se conoce como red de alimentación.
Como no todas las neuronas se activan al mismo tiempo, las neuronas que reciben las entradas de la izquierda se multiplican por los pesos a medida que viajan a través de capas ocultas. Ahora, sume todas las entradas de cada neurona y cuando la suma supere un cierto nivel de umbral, las neuronas que habían permanecido en silencio se activarán y se conectarán.
La forma en que aprende la Red Neural Artificial es que aprende de lo que hizo mal y hace lo correcto, y esto se conoce como retroalimentación. Las redes neuronales artificiales utilizan la retroalimentación para aprender qué está bien y qué está mal.
¿Qué es la retropropagación?
Definición: La retropropagación es un mecanismo esencial mediante el cual se entrenan las redes neuronales. Es un mecanismo que se utiliza para ajustar los pesos de una red neuronal (también denominada modelo en este artículo) con respecto a la tasa de error producida en la iteración anterior. Es similar a un mensajero que le dice al modelo si la red cometió un error o no tan pronto como lo predijo.
red neuronal de retropropagación
La propagación hacia atrás en las redes neuronales se trata de la transmisión de información y relacionando esta información con el error generado por el modelo cuando se hizo una conjetura. Este método busca reducir el error, que de otro modo se conoce como función de pérdida.
Cómo funciona la retropropagación: algoritmo simple
La retropropagación en el aprendizaje profundo es un enfoque estándar para entrenar redes neuronales artificiales. La forma en que funciona es que: inicialmente, cuando se diseña una red neuronal, se asignan valores aleatorios como pesos. El usuario no está seguro de si los valores de peso asignados son correctos o se ajustan al modelo. Como resultado, el modelo genera el valor que es diferente de la salida real o esperada, que es un valor de error.
Para obtener el resultado apropiado con un error mínimo, el modelo debe entrenarse en un conjunto de datos o parámetros pertinentes y monitorear su progreso cada vez que predice. La red neuronal tiene una relación con el error, por lo que siempre que cambian los parámetros, el error también cambia. La retropropagación utiliza una técnica conocida como regla delta o descenso de gradiente para cambiar los parámetros en el modelo.
El diagrama anterior muestra el funcionamiento de la retropropagación y su funcionamiento se muestra a continuación.
- 'X' en el alcance de las entradas desde la ruta preconectada
- 'W', los pesos reales se utilizan para modelar la entrada. Los valores de W se asignan aleatoriamente
- La salida de cada neurona se calcula mediante la propagación de reenvío: la capa de entrada, la capa oculta y la capa de salida.
- El error se calcula en las salidas usando la ecuación Propagando hacia atrás nuevamente a través de las capas de salida y ocultas, los pesos se ajustan para reducir el error.
Vuelva a propagar hacia adelante para calcular la salida y el error. Si se minimiza el error, este proceso finaliza, o bien se propaga hacia atrás y ajusta los valores de peso.
Este proceso se repite hasta que el error se reduce al mínimo y se obtiene la salida deseada.
¿Por qué necesitamos retropropagación?
Este es un mecanismo utilizado para entrenar la red neuronal relacionada con el conjunto de datos en particular. Algunos de los ventajas de la retropropagación son
- Es simple, rápido y fácil de programar.
- Solo se ajustan los números de la entrada y ningún otro parámetro
- No es necesario tener conocimientos previos sobre la red
- Es flexible
- Un enfoque estándar y funciona de manera eficiente
- No requiere que el usuario aprenda funciones especiales
Tipos de red de retropropagación
Hay dos tipos de redes de retropropagación. Se clasifica de la siguiente manera:
Retropropagación estática
La retropropagación estática es un tipo de red que tiene como objetivo producir un mapeo de una entrada estática para una salida estática. Este tipo de redes son capaces de resolver problemas de clasificación estática como el reconocimiento óptico de caracteres (OCR).
Retropropagación recurrente
La retropropagación recurrente es otro tipo de red empleada en el aprendizaje de punto fijo. Las activaciones en retropropagación recurrente se adelantan hasta que alcanza un valor fijo. A continuación, se calcula un error y se propaga hacia atrás. A software , NeuroSolutions tiene la capacidad de realizar la retropropagación recurrente.
Las diferencias clave: la retropropagación estática ofrece un mapeo inmediato, mientras que el mapeo de la retropropagación recurrente no es inmediato.
Desventajas de la retropropagación
Las desventajas de la retropropagación son:
- La propagación hacia atrás posiblemente sea sensible a datos ruidosos e irregularidades
- El rendimiento de esto depende en gran medida de los datos de entrada.
- Necesita demasiado tiempo para entrenar
- La necesidad de un método de retropropagación basado en matrices en lugar de mini lotes
Aplicaciones de la retropropagación
Las aplicaciones son
- La red neuronal está entrenada para enunciar cada letra de una palabra y una oración.
- Se utiliza en el campo de reconocimiento de voz
- Se utiliza en el campo del reconocimiento facial y de caracteres.
Preguntas frecuentes
1). ¿Por qué necesitamos retropropagación en redes neuronales?
Este es un mecanismo utilizado para entrenar la red neuronal relacionada con el conjunto de datos en particular.
2). ¿Cuál es el objetivo del algoritmo de retropropagación?
El objetivo de este algoritmo es crear un mecanismo de entrenamiento para redes neuronales para asegurar que la red esté entrenada para mapear las entradas a sus salidas apropiadas.
3). ¿Cuál es la tasa de aprendizaje en las redes neuronales?
La tasa de aprendizaje se define en el contexto de la optimización y minimización de la función de pérdida de una red neuronal. Se refiere a la velocidad a la que una red neuronal puede aprender datos nuevos anulando los datos antiguos.
4). ¿Es la red neuronal un algoritmo?
Si. Las redes neuronales son una serie de algoritmos de aprendizaje o reglas diseñadas para identificar los patrones.
5). ¿Cuál es la función de activación en una red neuronal?
La función de activación de una red neuronal decide si la neurona debe activarse / activarse o no en función de la suma total.
En este articulo, el concepto de retropropagación de las redes neuronales se explica utilizando un lenguaje sencillo para que el lector lo comprenda. En este método, las redes neuronales se entrenan a partir de los errores generados para volverse autosuficientes y manejar situaciones complejas. Las redes neuronales tienen la capacidad de aprender con precisión con un ejemplo.
