Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Значения весов объектов ν p , отличные от единицы, берутся, главным образом,<br />
тогда, когда нейросеть обучается классифицировать объекты для придания<br />
большего веса тем из них, которые принадлежат к классам с меньшим числом<br />
представителей. В остальных же случаях (т.е. практически всегда) веса<br />
объектов считаются одинаковыми и равны единице. Аналогично, значения весов<br />
выходных нейронов ν k , отличные от единицы, берутся лишь в редких случаях<br />
многозадачного обучения, в остальных же случаях они принимаются равными<br />
единице. С учетом вышесказанного, индивидуальный функционал ошибки<br />
для p-ого объекта из обучающей выборки обычно имеет вид:<br />
где:<br />
E<br />
p<br />
K<br />
1 p p[<br />
N ] 2<br />
( w)<br />
= ∑(<br />
d<br />
k<br />
− ok<br />
)<br />
(7)<br />
2<br />
k=<br />
1<br />
p<br />
d<br />
k<br />
- желаемый выход для k-ого выходного нейрона p-ого объекта (экспериментальное<br />
значение k-ого свойства для p-ого соединения) из обучающей<br />
k<br />
p[ N ]<br />
выборки; o - вычисленный выход для k-ого выходного нейрона p-ого объекта<br />
(спрогнозированное значение k-ого свойства для p-ого соединения) из обучающей<br />
выборки; N – номер выходного слоя; K – число выходов нейросети,<br />
равное числу одновременно прогнозируемых свойств химических соединений в<br />
случае QSAR/QSPR-анализа. Функционал ошибки для всей выборки в этом<br />
случае имеет вид:<br />
P K<br />
1<br />
p p[<br />
N ] 2<br />
E( w)<br />
= ∑∑(<br />
d k<br />
− ok<br />
) . (8)<br />
2<br />
p= 1 k=<br />
1<br />
1.2.4.3. Вычисление производных функционала ошибки по методу обратного<br />
распространения<br />
Для эффективной минимизации функционала необходимо уметь быстро<br />
вычислять его градиент, т.е. вектор первых производных по отношению ко всем<br />
настраиваемым параметрам. В случае индивидуального функционала ошибки<br />
для p-ого соединения из обучающей выборки элементы искомого вектора градиента<br />
можно выразить в следующем виде:<br />
21