16-amaliy ish. Miyadan meros olgan neyr tarmoqlarning xususiyatlari

1-sabab.Yashirin qatlamlar va yashirin neyronlarning soni etarli emas - keyin ularning sonini ko'paytirish tavsiya etiladi.
2-sabab.Turli xil chiqish parametrlari to'plamlari bir xil kirish parametrlari to'plamiga mos kelganda, o'quv majmuasida qarama-qarshi (nizo) misollarning mavjudligi. Misol uchun, kasalliklarning turli tashxislari bir xil belgilarga mos keladi. Bunday misollarni vizual tahlil yoki maxsus dasturlar yordamida o'quv majmuasida topishingiz mumkin. Keyin qarama-qarshi misollar paydo bo'lishining sabablarini tushunishingiz kerak: ularning ba'zilari shunchaki noto'g'ri bo'lib chiqishi mumkin va ularni olib tashlash kerak. Yana bir sabab, kirish vektorining tuzilishining o'zida tashxisga ham ta'sir qiluvchi ba'zi parametrlarning (masalan, bemorning yoshi, bo'yi, vazni, ko'z rangi va boshqalar) etishmasligi bilan bog'liq bo'lishi mumkin. Bunday holda, algoritmning 1-bosqichiga qaytish tavsiya etiladi (6.17-rasmga qarang) va muammo bayonini qayta ko'rib chiqish,
3-sabab.Mahalliy minimal darajaga yetdi. Bu muammo perseptronning xato funksiyasi yuzasi sxematik tarzda rasmda tasvirlanganligi bilan bog'liq. 6.6 mahalliy minimal deb ataladigan ko'plab kichik "chuqurchalar" bilan juda murakkab xarakterga ega. Perseptronning o'rganish jarayoni bu sirt bo'ylab kichik qadamlar bilan antigradient tomon, ya'ni xatolik funksiyasi yuzasining eng katta qiyaligi tomon harakat qilishdan iborat. Tabiiyki, xatolik funksiyasi yuzasi bo'ylab shu tarzda pasayib, global deb ataladigan eng chuqur minimumga etib bormasdan, qandaydir sayoz mahalliy minimumga "tiqilib qolish" mumkin. Bunday holda, o'quv jarayonini boshqa boshlang'ich nuqtadan qayta boshlashga harakat qilish yoki neyron tarmoqning o'rganish algoritmini o'zgartirish tavsiya etiladi.
4-sabab.Ko'pgina misollarda ob'ekt sohasi xatti-harakatlariga nisbatan tashqi chegaralarning mavjudligi - mavzu sohasi qonunlariga bo'ysunmaydigan va o'z parametrlari bo'yicha boshqa statistik ma'lumotlardan sezilarli darajada farq qiladigan misollar, masalan, o'zgaruvchan xatolar tufayli. Bunday misollarni, masalan, [57] texnikasidan foydalangan holda aniqlash tavsiya etiladi (6.5-bandga qarang), ularni xatolar uchun tahlil qilish va agar mavjud bo'lsa, xatolarni tuzatish yoki istisnolarni olib tashlash tavsiya etiladi.
5-sabab.falajtarmoqlar. Bunday holda, sinaptik og'irliklarning nazoratsiz o'sishi va faollashtirish funktsiyalari argumentlarining mos ravishda oshishi natijasida o'quv jarayoni "muzlaydi". Natijada sigmasimon funktsiyalarning hosilalari nolga yaqin bo'lgan to'yinganlik mintaqasiga kiradi. Gorizontal asimptotalarga ega bo'lmagan faollashtirish funktsiyalaridan foydalanish tavsiya etiladi, masalan, logarifmik funktsiyalar (6.5 § ga qarang). Yana bir variant - domen misollarini tashkil etuvchi raqamlarni normallashtirishga harakat qilish.
6-sabab.Agar o'rganish tezligi juda yuqori bo'lsa, iteratsiya jarayonining barqarorligi yo'qolishi mumkin, keyin uni kamaytirish tavsiya etiladi.
E'tibor bering, neyron tarmoqlarini modellashtirish amaliyotida odatda neyron tarmoqlarni o'rganish jarayonining konvergentsiyasi yo'qligining aniq sababini aniqlash mumkin emas. Faqatgina ushbu sabablarni taxmin qilish va yuzaga kelgan nomaqbul hodisalarni bartaraf etish choralarini ko'rish, ya'ni yuqoridagi olti bandda ko'rsatilgan tavsiyalarga amal qilish qoladi.