Supongo que te estás preguntando por qué esta fórmula. aunque parece torpe en la pregunta. debería ser :
w1 = w0 + a (d – y) x
donde, w1 = peso actualizado
w0 = peso actual
a = tasa de aprendizaje
d = salida deseada
y = salida real
x = entrada
- ¿Las redes de confrontación generativas funcionan para la detección de valores atípicos?
- ¿Cuáles serán los 3 principales problemas de aprendizaje profundo en los próximos 5 años?
- ¿Cuál es la utilidad de la normalización por lotes en una red neuronal convolucional muy profunda?
- ¿Qué técnicas de aprendizaje automático se utilizan en la industria?
- ¿Cuáles son algunos casos de uso para el aprendizaje automático en realidad virtual?
Comenzando con la suposición aleatoria, actualizamos los pesos para lograr el cambio en los separadores lineales. Un separador lineal puede ser denotado por la ecuación de una línea, que es una función de xy w.
En el algoritmo perceptrón, los pesos pueden inicializarse configurando cada nodo de peso Wi (0) en un pequeño valor aleatorio.
Luego, para cada muestra j en nuestro conjunto de entrenamiento D , realice los siguientes pasos que se repiten para la entrada Xj y la salida deseada dj hasta el error de iteración
es menor que un umbral de error especificado por el usuario o se ha completado un número predeterminado de iteraciones.
Paso a: Calcule la salida real:
Paso b: Adaptar pesos:
, para todos los nodos 0 <= i <= n .
Tenga en cuenta que el algoritmo adapta los pesos inmediatamente después de que los pasos ayb se aplican a un par en el conjunto de entrenamiento en lugar de esperar hasta que todos los pares en el conjunto de entrenamiento hayan pasado por estos pasos. La siguiente imagen resume la fórmula de actualización de peso: