Escolar Documentos
Profissional Documentos
Cultura Documentos
Diseño de Redes
Neuronales
Multicapa y
Entrenamiento
(parte 1)
CogNova
Technologies
2
Aplicaciones Exitosas
de RNA
❖ Donde la tecnología computacional
convencional no resulta capaz.
❖ En problemas que requieren de un
razonamiento cualitativo o cuantitativo
complejo.
❖ Donde se cuenta con una gran cantidad
de datos pero estos son multivariados y
contienen ruido o errores.
CogNova
Technologies
3
❖ En general:
– Reconocimiento de patrones
– Validación de señales
– Procesos de monitoreo
– Diagnósticos
– Procesamiento de señales e
información
– Control de sistemas complejos (no
lineales) CogNova
Technologies
4
Selección de un tipo
de Red
❖ Supervisada: requiere de pares de datos
consistente de patrones de entrada y salida
correcta.
❖ Autosupervisada: clasifica patrones de entrada
internamente no requiere de resultados
esperados, la capacidad de la red resulta
significativamente inferior a la anterior
❖ En ambos casos el tiempo de entrenamiento es
relativamente largo.
CogNova
Technologies
5
Selección de la Entrada
❖ Un conjunto de patrones de
prueba (Ppi) razonable.
CogNova
Technologies
7
la salida
❖ Dependerá de la naturaleza de
la aplicación
❖ Neuronas de salida binaria (0,1
o bien -1 , 1)
❖ Neuronas con valores continuos
(0 a 1 o bien -1 a 1)
CogNova
Technologies
9
Función de Transferencia
de las neuronas
❖ La función más común es la
sigmoidal
– logarítmica (0 a +1)
– Tangente hiperbólica (-1 a +1)
❖ Lineal
❖ Base radial
CogNova
Technologies
Combinaciones de 11
Funciones de
Transferencia.
❖ Aproximación de funciones:
– Función logarítmica y lineal.
❖ Reconocimiento de patrones:
– Funciones sigmoidales. Por ejemplo
tangente hiperbólica con logarítmica
CogNova
Technologies
12
Observaciones en el Numero
de Capas ocultas
❖ El entrenamiento se hace mas lento
entre mas capas ocultas se usen
❖ La capa adicional a través de la cual se
propaga el error hace el gradiente más
inestable.
❖ El número de mínimos locales
usualmente se incrementa
dramáticamente . CogNova
Technologies
15
Re s ume n de l núme ro de
capas ocultas
❖ En resumen se recomienda una sola capa
oculta como primera elección para redes
neuronales practicas.
Regla de la Pirámide
Geométrica
❖ Regla aproximada para seleccionar el
número de neuronas en las capas ocultas.
Regla de la Pirámide
Geométrica
❖ Para una red de tres capas (una sola capa
oculta).
h = m*n
❖ Donde:
– n es el número de neuronas de entrada
– m es el número de neuronas de salida
– h es el numero inicial de neuronas en la capa
oculta
CogNova
Technologies
19
Ejemplo 1:
❖ Para una red neuronal
feedforward de 3 capas con 8
entradas y 2 salidas.
Solución al Ejemplo 1
CogNova
Technologies
21
n
H2 = m*r r=3
mCogNova
Technologies
22
Ejemplo 2:
❖ Para una red neuronal
feedforward de 4 capas con 8
entradas y 1 salida.
❖ Calcule el numero de neuronas
en cada una de las dos capas
ocultas. Use la regla de la
pirámide.
CogNova
Technologies
23
Solución al Ejemplo 2:
CogNova
Technologies
24
Observaciones a la regla
de la Pirámide Geométrica
❖ Las formulas anteriores solo son
aproximaciones burdas del tamaño
ideal de las capas ocultas.
❖ En la aproximación de funciones
complicadas que involucran una
neurona de entrada y una de salida
puede requerir una docena de
neuronas ocultas o más. CogNova
Technologies
25
Network Training
Mastering ANN Parameters
Typical Range
learning rate - α 0.1 0.01 - 0.99
momentum - µ 0.8 0.1 - 0.9
weight-cost - λ 0.1 0.001 - 0.5
Fine tuning : - adjust individual parameters at
each node and/or connection weight
– automatic adjustment during training
CogNova
Technologies
29
Inicialización de los
pesos W y umbrales b
❖ Valores iniciales aleatorios en un
intervalo pequeño +1 a -1. O bien
-0.5 a 0.5.
CogNova
Technologies
31
En Resumen
Correcto Entrenamiento
❖ Para un número de prueba de
neuronas ocultas, genere valores
aleatorios de pesos iniciales y entrene
hasta que la mejora sea despreciable.
CogNova
Technologies
35
Entrenamiento de RNA
CogNova
Technologies
36
CogNova
Technologies
39
Network Training
Typical Problems During Training
E Steady, rapid decline
Would like: in total error
# iter
Bibliografía:
CogNova
Technologies
41
Bibliografia Cont.
CogNova
Technologies
42
CogNova
Technologies
43
Dudas ???
CogNova
Technologies
44