Noravshan mantiq va noravshan xulosa. Neyron tarmoqlarining tasnifi va xususiyatlari

NORAVSHAN MANTIQ VA NORAVSHAN XULOSA. NEYRON TARMOQLARINING TASNIFI VA XUSUSIYATLARI.
Mamirxo‘jayev Muhammadamin Mavlonjon o‘g‘li Sotvoldiyeva Mohiraxon Baxromjon qizi To‘ychiboev Abbosjon Erali o‘g‘li Umaraliyev Jamshidbek To‘xtasin o‘g‘li
Muhammad Al-Xorazmiy nomidagi TATU Farg‘ona filiali talabalari


Annotatsiya : Ushbu maqolada neyron tarmoqlarini o'qitishda paydo bo'ladigan optimallashtirish muammosining xususiyatlari; minimallashtirish yo'nalishini tanlash algoritmlari: eng keskin tushish algoritmi, partfan usullari, bir bosqichli kvazi-Nyuton usuli va konjuge gradyanlari haqida tushchalar berilgan.
Kalit so‘zlar : funktsiyalari, minimallashtirish, Parteran usul.
Neyron tarmoqlarini o'rgatishning universal usuli mavjud - tarmoq parametrlarining aniq ko'rsatilmagan funktsiyasi sifatida taxminiy ko'rsatkichni minimallashtirish. Ushbu yondashuvni amalga oshirishda quyidagilar nazarda tutilgan:

• 
  kirish signallari vektorlaridan tashkil topgan o'quv namunasi berilgan;
  
• 
  baholash funktsiyasida belgilangan tegishli chiqish signallariga talablar ma'lum;
  
• 
  butun namuna yoki uning biron bir qismi uchun taxmin qiymatlardan ma'lum tarzda tuzilgan.
  

Tayyorgarlikdan so'ng (o'quv namunasini yaratish, taxminiy funktsiyani tanlash, kiritilgan ma'lumotlarni oldindan qayta ishlash va hk), mashg'ulotdan oldin bizda ma'lum funktsiyani hisoblash usuli mavjud bo'lib, uni minimallashtirish parametrlar funktsiyasi sifatida tarmoqni to'g'ri ishlashi uchun sozlaydi.
Neyron tarmoqlarini o'qitishda paydo bo'ladigan optimallashtirish muammosining xususiyatlari
Neyron tarmoqlari uchun optimallashtirish muammolari bir qator o'ziga xos cheklovlarga ega. Ular o'quv muammosining ulkan hajmi bilan bog'liq. Parametrlar soni va boshqalarga erishish mumkin. Shaxsiy kompyuterlardagi eng sodda dasturiy simulyatorlarda parametrlar tanlangan. Yuqori o'lchovliligi tufayli algoritm uchun ikkita talab paydo bo'ladi:

1. 
   Xotirani cheklash. Parametrlar soni bo'lsin. Agar algoritm kattalikdagi xotira xarajatlarini talab qiladigan bo'lsa, unda mashg'ulot uchun qo'llanilishi ehtimoldan yiroq emas. Xotirani iste'mol qiladigan algoritmlarga ega bo'lish maqsadga muvofiqdir.
   
2. 
   Algoritmning eng mashaqqatli bosqichlarini va tarjixon asab tarmog'i bilan parallel hisoblash imkoniyati.
   
3. 
   O'qitilgan neyrokompyuter barcha sinov muammolarini maqbul aniqlik bilan hal qilishi kerak. Shuning uchun o'quv muammosi ko'p mezonli optimallashtirish muammosiga aylanadi: ko'p sonli funktsiyalarning umumiy minimal nuqtasini topish kerak. Neyrokompyuterni o'qitish ushbu nuqtaning mavjudligi gipotezasiga asoslanadi.
   
4. 
   O'qitilgan neyrokompyuter eskisini yo'qotmasdan yangi ko'nikmalarni egallashi kerak. Ehtimol zaifroq talab: yangi ko'nikmalar eskilarida aniqlikni yo'qotish bilan birga bo'lishi mumkin, ammo yo'qotish muhim bo'lmasligi kerak. Bu shuni anglatadiki, taxminlarning umumiy minimal darajasining topilgan nuqtasining etarlicha katta mahallasida ularning qiymatlari minimaldan ahamiyatsiz farq qiladi. Shunday qilib, bizda neyrokompyuterni umumiy optimallashtirish muammolaridan ajratib turadigan to'rtta cheklovlar mavjud:
   

•