When considering multilayer percept

When considering multilayer perceptrons, the error surface is a nonlinear function of weight vector w. Algorithms that approximate by gradient descent are employed to train MLPs. To train by the gradient decent algorithm, the gradient G of the cost function with respect to each weight wij of the network must be computable. This process gives information on how each change in weight will affect the overall error E. Here, we can consider the concept of MSE subsequently described and construct the vector derivative (or gradient):

Kết quả (Việt) 1:

Khi xem xét đa lớp perceptrons, bề mặt lỗi là một hàm phi tuyến của trọng lượng vector w. thuật toán xấp xỉ bởi gradient descent được sử dụng để đào tạo MLPs. Đào tạo bởi các thuật toán gradient Phong Nha, gradient G của hàm chi phí đối với mỗi wij trọng lượng của mạng phải computable. Quá trình này cung cấp các thông tin về làm thế nào mỗi thay đổi trong trọng lượng sẽ ảnh hưởng đến tổng thể lỗi E. Ở đây, chúng tôi có thể xem xét các khái niệm của MSE sau đó được mô tả và xây dựng vector derivative (hoặc chuyển sắc):

Kết quả (Việt) 2:

Khi xem xét perceptron nhiều lớp, bề mặt lỗi là một hàm phi tuyến của w vector trọng. Các thuật toán gần đúng bởi gradient descent được sử dụng để đào tạo MLPs. Để đào tạo bởi các thuật toán khá dốc, gradient G của hàm chi phí đối với từng wij trọng lượng của mạng với phải được tính toán. Quá trình này cung cấp thông tin về làm thế nào mỗi thay đổi trong trọng lượng sẽ ảnh hưởng đến các lỗi chung E. Ở đây, chúng ta có thể xem xét các khái niệm của MSE sau đó mô tả và xây dựng đạo hàm vector (hoặc gradient):