Сначала я хочу сказать, что я действительно новичок в нейронных сетях, и я не очень хорошо понимаю это;)
Я сделал свою первую реализацию C # нейронной сети обратного распространения. Я протестировал его с помощью XOR, и похоже, что он работает.
Теперь я хотел бы изменить мою реализацию на использование упругого обратного распространения (Rprop - http://en.wikipedia.org/wiki/Rprop).
Определение гласит: «Rprop учитывает только знак частной производной по всем моделям (не величину) и действует независимо от каждого« веса ».
Может кто-нибудь сказать мне, что такое частная производная по всем шаблонам? И как мне вычислить эту частную производную для нейрона в скрытом слое.
Большое спасибо
UPDATE:
Моя реализация основана на этом коде Java: www_.dia.fi.upm.es/~jamartin/downloads/bpnn.java
Мой метод backPropagate выглядит следующим образом:
public double backPropagate(double[] targets)
{
double error, change;
// calculate error terms for output
double[] output_deltas = new double[outputsNumber];
for (int k = 0; k < outputsNumber; k++)
{
error = targets[k] - activationsOutputs[k];
output_deltas[k] = Dsigmoid(activationsOutputs[k]) * error;
}
// calculate error terms for hidden
double[] hidden_deltas = new double[hiddenNumber];
for (int j = 0; j < hiddenNumber; j++)
{
error = 0.0;
for (int k = 0; k < outputsNumber; k++)
{
error = error + output_deltas[k] * weightsOutputs[j, k];
}
hidden_deltas[j] = Dsigmoid(activationsHidden[j]) * error;
}
//update output weights
for (int j = 0; j < hiddenNumber; j++)
{
for (int k = 0; k < outputsNumber; k++)
{
change = output_deltas[k] * activationsHidden[j];
weightsOutputs[j, k] = weightsOutputs[j, k] + learningRate * change + momentumFactor * lastChangeWeightsForMomentumOutpus[j, k];
lastChangeWeightsForMomentumOutpus[j, k] = change;
}
}
// update input weights
for (int i = 0; i < inputsNumber; i++)
{
for (int j = 0; j < hiddenNumber; j++)
{
change = hidden_deltas[j] * activationsInputs[i];
weightsInputs[i, j] = weightsInputs[i, j] + learningRate * change + momentumFactor * lastChangeWeightsForMomentumInputs[i, j];
lastChangeWeightsForMomentumInputs[i, j] = change;
}
}
// calculate error
error = 0.0;
for (int k = 0; k < outputsNumber; k++)
{
error = error + 0.5 * (targets[k] - activationsOutputs[k]) * (targets[k] - activationsOutputs[k]);
}
return error;
}
Так можно ли использовать переменную change = hidden_deltas[j] * activationsInputs[i] в качестве градиента (частной производной) для проверки пения?