عنوان : ( آموزش شبکه تکلایه با مدل فاصله اقلیدسی نورون در مسئله دستهبندی چندکلاسه )
نویسندگان: رامین زارعی سبزوار , احد هراتی , سید کمال الدین غیاثی شیرازی ,بر اساس تصمیم نویسنده مقاله دسترسی به متن کامل برای اعضای غیر دانشگاه ممکن نیست
چکیده
در این مقاله مدل فاصله اقلیدسی نورون را از دو جنبه مدلسازی و آموزش در مقایسه با مدل ضربداخلی در یک شبکه عصبی تکلایه مورد بررسی قرار میدهیم. برای این منظور ابتدا نشان میدهیم این دو مدل میتوانند کاملا معادل یکدیگر باشند. سپس به بررسی نحوه آموزش این مدلها و مقایسه آنها با یکدیگر میپردازیم. همچنین یک شیوه نوین یادگیری وزنها در مدل فاصله اقلیدسی ارائه میکنیم که مبتنی بر تصحیح خطا بوده و از کاهش گرادیان برای بهنگامسازی استفاده میکند؛ از مزیتهای آموزش وزنها در مدل فاصله اقلیدسی نسبت به مدل ضربداخلی، میتوان به کنترل اندازه وزنها با یک مکانیزم خود-تنظیمکننده اشاره کرد که در این صورت نیازی به استفاده از سایر تنظیمکنندهها نظیر weight decay در مدل فاصله اقلیدسی نخواهد بود. با توجه به اهمیت مقداردهی اولیه وزنها در عملکرد مناسب شبکههای عصبی، راهکار جدیدی برای مقداردهی اولیه شبکههای مبتنی بر فاصله اقلیدسی با استفاده از وزنهای آموزشیافته در شبکه ضربداخلی معادل آن بیان خواهیم کرد. در نهایت برای بررسی نتایج، مجموعه داده MNIST را به کار میگیریم و نشان میدهیم که نتیجه به دست آمده از مدل فاصله اقلیدسی در مقایسه با مدل ضربداخلی در یک شبکه تکلایه به مراتب بهتر عمل میکند.
کلمات کلیدی
, شبکه عصبی تکلایه, مدل ضربداخلی نورون, مدل فاصله اقلیدسی نورون, یادگیری مبتنی بر تصحیح خطا, مقداردهی اولیه وزنها.@inproceedings{paperid:1064958,
author = {زارعی سبزوار, رامین and هراتی, احد and غیاثی شیرازی, سید کمال الدین},
title = {آموزش شبکه تکلایه با مدل فاصله اقلیدسی نورون در مسئله دستهبندی چندکلاسه},
booktitle = {نهمین کنفرانس فناوری اطلاعات و دانش (IKT 2017)},
year = {2017},
location = {تهران, ايران},
keywords = {شبکه عصبی تکلایه، مدل ضربداخلی نورون، مدل فاصله اقلیدسی نورون، یادگیری مبتنی بر تصحیح خطا، مقداردهی اولیه وزنها.},
}
%0 Conference Proceedings
%T آموزش شبکه تکلایه با مدل فاصله اقلیدسی نورون در مسئله دستهبندی چندکلاسه
%A زارعی سبزوار, رامین
%A هراتی, احد
%A غیاثی شیرازی, سید کمال الدین
%J نهمین کنفرانس فناوری اطلاعات و دانش (IKT 2017)
%D 2017