img159 (11)

Elementarne wprowadzenie do techniki sieci neuronowych

Rys. 8.16. Wzorzec nowego zadania dla sieci

	■ i
	nirr^

Rys. 8.17. Niepowodzenie uczenia sieci w przypadku zbyt skomplikowanej

Jakkolwiek bowiem dobrane zostaną parametry sieci i jakkolwiek będzie przebiegała granica między obszarem pozytywnych i negatywnych reakcji

-    sieć zawsze wpadnie w pułapkę związaną z tym, że będzie traktowała jako przyjazne środowisko o jakichś krańcowych właściwościach. Na przykład na wielu kolejnych rysunkach widać, jak modelowane “zwierzę” usiłuje ukryć się w ciemności, wybierając jako główną wskazówkę niewielką ilość światła w kilku podanych przez nauczyciela przykładach - i za to właśnie będzie w trakcie dalszej nauki karane. Zanim przerwałem eksperyment - zwierzę

sformułowało” kolejną niepoprawną hipotezę - zaczęło unikać obszarów, w których panowała złowroga cisza, sądząc, że istotą zadania, którego nie umie rozwiązać jest to, że powinno poszukiwać zgiełku.

Powód niepowodzenia jest prosty - modelowana sieć neuronowa była zbyt prymitywna, żeby nauczyć się tak złożonej formy zachowania, jak “wybór złotego środka”. Dla używanej w doświadczeniu sieci jedyną znaną formą różnicowania wejściowych sygnałów była ich liniowa dyskryminacja

-    a to okazało się w rozważanym tu przykładzie zbyt prymitywne i zbyt

Wyszukiwarka

Podobne podstrony:
img123 (11) 117 Elementarne wprowadzenie do techniki sieci neuronowych (sumarycznie) “przekraczały p
img255 (8) 249 Elementarne wprowadzenie do techniki sieci neuronowych Rys. 11.8. Zachowanie systemu
img161 (8) 155 Elementarne wprowadzenie do techniki sieci neuronowych Rys. 8.20. Początkowy etap ucz
img279 (3) Elementarne wprowadzenie do techniki sieci neuronowych 273 Rys. 11.31. Automatycznie gene
64339 img155 (11) Elementarne wprowadzenie do techniki sieci neuronowych 149 współrzędne

więcej podobnych podstron