Cómo entrenar una red neuronal

Podemos entrenar un modelo de red neuronal con la ayuda de bibliotecas, TI depende de los conjuntos de datos que la biblioteca usó para entrenar el modelo.

Aquí está la lista de bibliotecas que se utiliza principalmente:

1. Redes neuronales convolucionales (CNN): – Las redes neuronales convolucionales son variantes biológicamente inspiradas de la red neuronal artificial de alimentación en la cual el patrón de conectividad entre sus neuronas está inspirado en la organización de la corteza visual animal. Está compuesto por una o más capas convolucionales y luego seguido por una o más capas completamente conectadas como en una red neuronal multicapa estándar.
2. kNN: K vecinos más cercanos es un algoritmo simple que almacena todos los casos disponibles y clasifica los nuevos casos en función de una medida de similitud (por ejemplo, funciones de distancia). KNN se ha utilizado en la estimación estadística y el reconocimiento de patrones ya a principios de la década de 1970 como una técnica no paramétrica
3. SVM: – Una máquina de vectores de soporte (SVM) es un clasificador discriminativo definido formalmente por un hiperplano de separación. En otras palabras, dados los datos de entrenamiento etiquetados (aprendizaje supervisado), el algoritmo genera un hiperplano óptimo que categoriza nuevos ejemplos.

Lee mas…

Permítanme dar una visión general de alto nivel de los modelos de aprendizaje automático de formación. En general, tiene un conjunto de puntos de entrenamiento [matemáticas] (x_1, y_1), \ ldots, (x_n, y_n) [/ matemáticas], y desea encontrar una función [matemáticas] f (x) [/ matemáticas] que satisface [math] f (x_i) \ approx y_i \ forall i \ in \ {1, \ ldots, n \} [/ math].

El primer paso es parametrizar esta función; es decir, en lugar de buscar el espacio de todas las funciones posibles, restringe su espacio a un subconjunto de funciones, por ejemplo, de la forma [matemáticas] f (x) = w ^ Tx + b [ / math], donde [math] w [/ math] y [math] b [/ math] son ​​parámetros que debe determinar. Podría tener subconjuntos de funciones más complejos, como es el caso de las redes neuronales.

El objetivo del entrenamiento es aprender estos parámetros como [matemática] w [/ matemática] y [matemática] b [/ matemática], o en otras palabras, para encontrar valores óptimos de estos parámetros tales que [matemática] f (x_i) \ aproximadamente y_i \ forall i \ in \ {1, \ ldots, n \} [/ math].

Para hacer esto, utiliza el descenso de gradiente estocástico, cuyo principio básico es el siguiente: para un punto de entrenamiento [matemático] (x_i, y_i) [/ matemático], encuentre el gradiente del error [matemático] [f (x_i) – y_i] ^ 2 [/ math] wrt [math] w [/ math]. Esto nos dice cómo cambiaría el error a medida que modificamos [math] w [/ math]. Luego, cambie [math] w [/ math] ligeramente para que se reduzca el error. Idealmente, queremos que el error sea cero. Repitiendo este proceso para todos los puntos y parámetros de entrenamiento, actualizando los parámetros [matemática] w [/ matemática] y [matemática] b [/ matemática], luego nos da los valores (cercanos) óptimos de los parámetros. Esta actualización repetida de los parámetros es el proceso de capacitación.

Ahora, en las redes neuronales, resulta que hay muchos parámetros (a menudo unos pocos millones o más) y, por lo tanto, tiene una forma de principios para encontrar los gradientes de todos estos parámetros. Este método se llama retropropagación. Para más detalles, vea la respuesta de Prasoon Goyal a En redes neuronales, ¿qué tan importante es la propagación hacia atrás? ¿Cuál es su significado? Una vez que tenga los gradientes, actualice los parámetros como se indica arriba, para minimizar el error promedio.

Creo que es mejor comenzar con un curso. Los maestros como Andrew Ng ya han pasado innumerables horas destilando sus años de experiencia para explicar las redes neuronales. No voy a hacerlo tan bien en los cinco minutos que me lleva responder esta pregunta.

Para proporcionar una respuesta muy simplificada a su pregunta … Usted coloca sus datos de entrada en los nodos de entrada de la red. Esto avanzará para poner la salida en los nodos de salida de la red. Esto hace que la red produzca un error menor la próxima vez que vea esta entrada.

Cada vez alrededor de sus datos de entrenamiento, mide el error general de la red. Cuando esto ya no se reduce, significa que la mejora que obtiene la red en un problema hace que empeore en otro problema. En este punto decimos que ha terminado el entrenamiento.