Gráficos Computacionales  

  RSS
admin
(@admin)
Miembro Admin

Backpropagation se implementa en marcos de aprendizaje profundo como Tensorflow, Torch, Theano, etc.., mediante el uso de gráficos computacionales. Más significativamente, la comprensión de la propagación de retorno en gráficos computacionales combina varios algoritmos diferentes y sus variaciones, tales como backprop through time y backprop con pesos compartidos. Una vez que todo se convierte en un gráfico computacional, siguen siendo el mismo algoritmo, solo una propagación hacia atrás en los gráficos computacionales.

Qué es la Gráfica Computacional

Un gráfico computacional se define como un gráfico dirigido donde los nodos corresponden a operaciones matemáticas. Los gráficos computacionales son una forma de expresar y evaluar una expresión matemática.

Por ejemplo, aquí hay una ecuación matemática simple:

p = x + y

Podemos dibujar un gráfico computacional de la ecuación anterior de la siguiente manera:

El gráfico computacional anterior tiene un nodo adicional (nodo con el signo "+") con dos variables de entrada ‘x’ y ‘y’, y una salida ‘p’.

Tomemos otro ejemplo, un poco más complejo. Tenemos la siguiente ecuación:

g = (x + y) * Z

La ecuación anterior está representada por el siguiente gráfico computacional:

Gráficos Computacionales y Backpropagation

Gráficos computacionales y backpropagation, ambos son conceptos centrales importantes en el aprendizaje profundo para el entrenamiento de redes neuronales.

Pase adelantado

Forward pass (Pase adelantado) es el procedimiento para evaluar el valor de la expresión matemática representada por gráficos computacionales. Hacer un pase directo significa que estamos pasando el valor de las variables en dirección hacia adelante desde la izquierda (entrada) hacia la derecha donde está la salida.

Consideremos un ejemplo dando algún valor a todas las entradas. Supongamos que los siguientes valores se dan a todas las entradas.

X = 1, y = 3, z = -3

Al dar estos valores a las entradas, podemos realizar un pase directo y obtener los siguientes valores para las salidas en cada nodo.

Primero, usamos el valor de ‘x = 1’ y ‘y = 3’, para obtener ‘p = 4’.

Luego usamos ‘p = 4’ y ‘z = -3’ para obtener ‘g = -12’. Vamos de izquierda a derecha:

Para continuar viendo el resto de contenido por favor Regístrate o Inicia Sesión

This topic was modified hace 7 meses by admin
This topic was modified hace 6 meses by admin
This topic was modified hace 4 meses 2 times by admin
Citar
Respondido : 03/10/2018 4:27 pm
Armando
(@armando)
Active Member

Estoy empezando a aprender machine learning, y veo que esto representa aprender matematicas, cada vez me doy cuenta que esto es un tema muy complejo.

Gracias por el contenido

ResponderCitar
Respondido : 03/10/2018 5:09 pm
Share:
  
Trabajando

Por favor Iniciar Sesión o Registro