Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

Çok Katmanlı Yapay Sinir Ağı Modelleri 1. Daha önce bahsedilen YSA’lar doğrusal olan olayları çözebilmelerine karşın doğrusal olmayan olayları çözememektedirler.

Benzer bir sunumlar


... konulu sunumlar: "Çok Katmanlı Yapay Sinir Ağı Modelleri 1. Daha önce bahsedilen YSA’lar doğrusal olan olayları çözebilmelerine karşın doğrusal olmayan olayları çözememektedirler."— Sunum transkripti:

1 Çok Katmanlı Yapay Sinir Ağı Modelleri 1

2 Daha önce bahsedilen YSA’lar doğrusal olan olayları çözebilmelerine karşın doğrusal olmayan olayları çözememektedirler. Peki bir olayın doğrusal olup olmaması ne demektir? Bunu anlayabilmek için XOR problem durumuna tekrar göz atmakta fayda vardır. 2

3 XOR Problemi ,5 11, ) 1 0,5 0 3

4 İkinci Girdi kümesi için hatalı 4

5 Hatırlancağı gibi, perceptronlar XOR problemi gibi doğrusal olarak sınıflandırılamayan problemleri çözümünde başarısızdır. Diğer bir deyişle çıktıların arasına bir doğru veya doğrular çizerek onları iki veya daha fazla sınıfa ayırmak mümkün değildir. 5

6 XOR problemini çözmek için yapılan çalışmalar sonucu çok katmanlı algılayıcı modeli geliştirilmiştir. Rumelhart ve arkadaşları tarafından geliştirilen bu modele hata yayma modeli veya geriye yayılım modeli(back propogation model) de denilmektedir. Bunu Özellikle sınıflandırma, tanıma ve genelleme yapmayı gerektiren problemler için çok önemli bir çözüm aracıdır. Bu model “Delta Öğrenme Kuralı” denilen bir öğrenme yöntemini kullanmaktadır. Bu kural aslında ADALINE ve basit algılayıcı modelinin öğrenme kurallarının geliştirilmiş bir şeklidir. 6

7 Temel amacı ağın beklenilen çıktısı ile ürettiği çıktı arasındaki hatayı en aza indirmektir. Bunu hatayı ağa yayarak gerçekleştirdiği için bu ağa hata yayma ağı da denmektedir. 7

8 Çok Katmanlı Ağ Modelinin Yapısı Ara Katman Girdi Katmanı Çıktı Katmanı Eşik Değeri Eşik Değeri G1 G2 G3 Ç1 Ç2 Ç3 8

9 Girdi Katmanı: Dış dünyadan gelen girdileri alarak ara katmana gönderir. Bu katmanda bilgi işleme olmaz. Gelen her bilgi geldiği gibi bir sonraki katmana gider. Her proses elemanın sadece bir tane girdisi ve bir tane çıktısı vardır. Yani, girdi katmanındaki her proses elemanı bir sonraki katmanda bulunan proses elemanlarının hepsine bağlanır. Ara Katmanı: Ara katmanlar girdi katmanından gelen bilgileri işleyerek bir sonraki katmana gönderir. Çok katmanlı bir ağda birden fazla ara katman ve her katmanda birden fazla proses elemanı bulunabilir. 9

10 Çıkış Katmanı: Ara katmandan gelen bilgileri işleyerek ağa girdi katmanından verilen girdilere karşılık ağın ürettiği çıkışları belirleyerek dış dünyaya gönderir. Bir çıktı katmanında birden fazla proses elemanı olabilir. Her proses elemanı bir önceki katmanda bulunan bütün proses elemanlarına bağlıdır. Her proses elemanının bir çıktısı vardır. 10

11 Çok katmanlı ağ öğretmenli öğrenme stratejisini kullanır. Ağa, hem örnekler hem de örneklerden elde edilmesi gereken çıktılar verilmektedir. Sistem, kendisine gösterilen örneklerden genellemeler yaparak problem uzayını temsil eden bir çözüm uzayı üretmektedir. Daha sonra gösterilen benzer örnekler için bu çözüm uzayı sonuçlar ve çözümler üretebilmektedir. 11

12 Çok Katmanlı Ağ Hücresi GirdiNöron n : net giriş toplamı a : çıkış Σ : Toplam fonksiyonu. f : Aktivasyon fonksiyonu. Sigmoid Tanh Lineer 12

13 Bir çok giriş için genellikle bir nöron yeterli olmayabilir. Paralel işlem yapan birden fazla nörona ihtiyaç duyulduğunda katman kavramı devreye girmektedir. S tane nöronun tek bir katmanı Şekil’de gösterilmiştir. Burada her giriş bir nörona bağlıdır. 13

14 Çok Katmanlı Ağın Öğrenme Kuralı Çok katmanlı ağın öğrenme kuralı en küçük kareler yöntemine dayalı “Delta Öğrenme Kuralı”’nın genelleştirilmiş halidir. Bu yüzden “Genelleştirilmiş Delta Kuralı” olarak da isimlendirilmektedir. Ağın öğrenebilmesi için eğitim seti adı verilen ve örneklerden oluşan bir sete ihtiyaç vardır. Bu set içinde her örnek için ağın hem girdiler hem de o girdiler için ağın üretmesi gereken çıktılar belirlenmiştir. 14

15 “Genelleştirilmiş Delta Kuralı” iki aşamadan oluşur. İleri doğru hesaplama(Feed Forward) Geri doğru hesaplama (Back Propogation) 15

16 I) İleri Doğru Hesaplama Bu safhada bilgi işleme eğitim setindeki bir örneğin Girdi Katmanından ağa gösterilmesi ile başlar. Gelen girdiler hiç bir değişiklik olmadan ara katmana gönderilir. Girdi katmanındaki k. Proses elemanının çıktısı Ç k i şu şekilde belirlenir: Ç k i = G k 16

17 Ara Katman Girdi Katmanı Çıktı Katmanı Eşik Değeri Eşik Değeri G1 G2 Gk Ç1 Ç2 Ç ÇKiÇKi ÇK1ÇK1 ÇK2ÇK2 17 ÇK3ÇK i

18 Ara katmandaki her proses elemanı girdi katmanındaki bütün proses elemanlarından gelen bilgileri bağlantı ağırlıklarının (A1,A2,....) etkisi ile alır. Önce ara katmandaki proses elemanlarına gelen net girdi (NET j a ) şu formül kullanılarak hesaplanır: NET j a =∑A kj Ç k i k=1 n Burada A kj k. girdi elemanını j. ara katman elemanına bağlayan bağlantının ağırlık değerini göstermektedir. J. ara katman elemanının çıktısı ise bu net girdinin aktivasyon fonksiyonundan geçirilmesiyle hesaplanır. 18

19 Ara Katman Girdi Katmanı Çıktı Katmanı Eşik Değeri Eşik Değeri G1 G2 Gk Ç1 Ç2 Ç wA 1j wA 2j wA kj NET j a =∑A kj Ç k i k=1 n j 19

20 Sigmoid fonksiyonu kullanılması halinde çıktı: Çja=Çja= 1 1+e -(NET j a +β j a ) Burada β j, ara katmanda bulunan j. elemana bağlanan eşik değer elemanının ağırlığını göstermektedir. Bu eşik değer ünitesinin çıktısı sabit olup 1’e eşittir. Eğitim sırasında ağ bu değeri kendisi belirlemektedir. 20

21 Ara Katman Girdi Katmanı Çıktı Katmanı Eşik Değeri Eşik Değeri G1 G2 Gk Ç1 Ç2 Ç wA 1j wA 2j wA kj j wβjwβj Çja=Çja= 1 1+e -(NET j a +β j a ) 21

22 Ara katmanın bütün proses elemanları ve çıktı katmanının proses elemanlarının çıktıları aynı şekilde kendilerine gelen NET girdinin hesaplanması ve sigmoid fonksiyonundan geçirilmesi sonucu belirlenirler. Çıktı katmanından çıkan değerler bulununca ağın ileri doğru hesaplama işlemi tamamlanmış olur. 22

23 II) Geriye Doğru Hesaplama Ağa sunulan girdi için ağın ürettiği çıktı ağın beklenen çıktıları ile karşılaştırılır. Bunların arasındaki fark hata olarak kabul edilir. Amaç bu hatanın düşürülmesidir. Bu hata, ağın ağırlık değerlerine dağıtılarak bir sonraki iterasyonda hatanın azaltılması sağlanır. Çıktı katmanındaki m. Proses elemanı için oluşan hata E m ; E m =B m - Ç m 23

24 E m =B m - Ç m Yukarıdaki hata, bir proses elemanı için oluşan hatadır. Çıktı katmanı için oluşan toplam hatayı (TH) bulmak için bütün hataların toplanması gerekir. TH=1/2(∑E m 2 ) Toplam hatayı enazlamak için bu hatanın kendisine neden olan proses elemanlarına dağıtılması gerekmektedir. 24

25 Ağın ağırlıklarını değiştirmek için 2 durum söz konusudur: Ara katman ile çıktı katmanı arasındaki ağırlıkların değiştirilmesi Ara katmanlar arası veya ara katman girdi katmanı arasındaki ağırlıkların değiştirilmesi 25

26 Ara Katman ile Çıktı Katmanı Arasındaki Ağırlıkların Değiştirilmesi Ara katmandaki j. Proses elemanı çıktı katmanındaki m. Proses elemanına bağlayan bağlantının ağırlığındaki değişim miktarına ∆A a denirse; herhangi bir t zamanında ağırlığın değişim miktarı şöyle hesaplanır: ∆A jm a (t)=λδ m Ç j a + α ∆A jm a (t-1) Burada λ öğrenme katsayısını, α momentum katsayısını göstermektedir. 26

27 Momentum katsayısı ağın öğrenmesi esnasında yerel bir optimum noktaya takılıp kalmaması için ağırlık değişim değerinin belirli bir oranda bir sonraki değişime eklenmesini sağlar. ∆A jm a (t)=λδ m Ç j a + α ∆A jm a (t-1) Yine yukarıdaki formül dikkate alındığında δ m ise m. çıktı ünitesinin hatasını göstermektedir. δ m = f ’ (NET)E m 27

28 Değişim miktarı hesaplandıktan sonra ağırlıkların t. iterasyondaki yeni değerleri: A jm a (t) = A jm a (t-1) + ∆ A jm a (t) f ’ (NET) aktivasyon fonksiyonunun türevidir. Sigmoid fonksiyonun kullanılması durumunda ; δ m = Ç m (1-Ç m ) E m 28

29 Benzer şekilde eşik değer ünitesinin de ağırlıklarını değiştirmek gerekmektedir. Çıktı katmanında bulunan proses elemanlarının eşik değer ağırlıkları β ç ile gösterilirse; bu ünitenin çıktısı sabit ve 1 olması nedeni ile değişim miktarı: ∆β m ç (t) = λ δ m + α ∆ β m ç (t-1) β m ç (t) = β m ç (t-1) + ∆ β m ç (t) 29

30 Ara Katmanlar Arası veya Ara Katman Girdi Katmanı Arasındaki Ağırlıkların Değiştirilmesi Ara katman ile çıktı katman arasındaki ağırlıkların değişiminde her ağırlık için sadece çıktı katmanındaki bir proses elemanının hatası dikkate alınmıştır. Oysaki bu hataların oluşmasında girdi katmanı ve ara katman arasındaki ağırlıkların payı vardır. 30

31 Girdi katmanı ile ara katman arasındaki ağırlıkların değişimi ∆A i ile gösterilirse değişim miktarı: ∆A kj i (t)=λ δ j a Ç k i + α∆A kj i (t-1) Yine burdaki hata terimi δ a şöyle hesaplanacaktır: δ j a =f ’ (NET)∑δ m A jm a m 31

32 Aktivasyon fonksiyonu olarak sigmoid fonksiyonun kullanılması durumunda ; δ j a = Ç j a (1- Ç j a )∑δ m A jm a m Ağırlıkların yeni değerleri ; A kj i (t)= A kj i (t-1) + ∆A kj i (t) 32

33 Benzer şekilde eşik değer ünitesinin de ağırlıklarını değiştirmek gerekmektedir. Ara katman eşik değer ağırlıkları β a ile gösterilirse değişim miktarı ; ∆β j a (t)=λδ j a + α ∆β j a (t-1) β j a (t)=β j a (t-1) + ∆ β j a (t) Böylece ağın ağırlıklarının hepsi değiştirilmiş olacaktır. Bir iterasyon hem ileri hem de geriye doğru hesaplamaları yapılarak tamamlanmış olcaktır. 33

34 Genelleştirilmiş Delta Kuralı 34

35 XOR Problemi ve Çözümü 35

36 Tek katmanlı YSA’lar doğrusal problemlerin çözümü için uygun iken, doğrusal olmayan bazı problemlerin çözümü için uygun değildir. Buna en temel örnek ise XOR problemidir. XOR probleminin çözümünde geriye yayılımlı çok katmanlı ağlardan yararlanılır. Bu ağlar, danışmanlı öğrenme kuralları kullanılarak eğitilirler ve problem durumunu öğrenerek yeni problemlere çözüm yolları getirirler. 36

37  B---- bias nöronkarı  Bu nöronlar eşik görevindedirler.  Her zaman için 1 değerini verirler. Hedef çıktılar Öğrenmenin amacı dönüşüm Fonksiyonunun belirlenmesidir F Geriye Yayılımlı YSA 37

38 Geriye Yayılımlı YSA’da Öğrenme Öğrenmenin tanımı – Girdi vektörlerini çıktı vektörlerine eşleyen fonksiyonun elde edilmesi olarak tanımlanabilir. –Amaç Bu dönüşüm fonksiyonunun (F) belirlenmesidir. Öğrenme adımları –Ağ üzerinde ağırlıkların random olarak atanması. – Ağ üzerindeki çıktılar her zaman gerçek çıktılar ile uyuşmayabilir. – Gerçek çıktılar ile istenen çıktılar arasındaki fark tolere edilebilir bir değere ininceye kadar ağırlıklar ayarlanırlar. 38

39 39

40 XOR Problemi XOR problemini çözerken kullanılacak YSA’da hücrelerin aktivasyon fonksiyonu 2 şekilde seçilerek çözüm getirilmeye çalışılmıştır : Step Fonksiyon ile Sigmoid Fonksiyon kullanarak 40

41 Step Fonksiyon ile Çözüm a 4 = w 1 * o 1 + w 5 * o 3 + w 4 * o 2 a 4 = -1 * * 0 + (-1 * 0) = 0 O 4 = 0 Çıktı a 3 = w 2 * o 1 + w 3 * o 2 Aktivasyon a 3 = 1 * 0+ 1* 0 = 0 Eşik değeri, bütün hücreler için 0.02 olarak seçilmiştir. 41

42 Sigmoid Fonksiyon Seçilmesi Durumunda Sigmoid fonksiyon 0 ve 1 gibi değerler alır. 42

43 Adım 1. Ağırlıkların başlangıç değerlerinin verilmesi – Ağırlıklar verilirken genel olarak küçük değerler seçilir. Adım 2. Çıkışları n hesaplanması – Ara katmandaki oj gibi bir hücrenin çıkışı aşağıdaki sigmoid fonksiyon ile hesaplanır. oj =oj = f (  w ji o i -  j ) (  w ji o i -  j ) -- 1 + e 1 =  w ji = weight of input i to neuron j  is a constant  j =node threshold  F=sigmoid function 43

44 Adım 3. Ağırlıkların ayarlanması – Hata Gradyeni (Error gradient) hesaplanır. Çıktı nöronları için  j = o j (1 – o j )(d j – o j ) Ara katmandaki nöronlar için aşağıdaki şekilde hesaplanır.  j = o j (1 – o j )   k w kj  k : neuron k’daki (gizli katmana bağlı olan) hata gradyeni dj : istenilen çıktı (desired output), oj : esas çıktı (actual output) – Ağırlıkların değişimi aşağıdaki gibi hesaplanır.  w ji =  j o i  : öğrenme hızı (0<  <1) –Değişimler varolan ağırlıklara ilave edilir. w ji (t+1) = w ji (t) +  w ji 44

45 Bu kısa hatırlatmadan sonra XOR problemimize dönersek; Başlangıç ağırlık değerlerimiz aşağıdaki gibi random olarak verilir

46 İlk durumumuz o3=1,o4=1 ve α ve θ değerleri de sırasıyla 1 ve 0 olsun.Ayrıca n öğrenme hızı da 0.3 olsun Bu durumda ; O2= 1 + e –(1x x0.02) 1 =   O3= 1 + e –[0.678x(-0.02) + 1x x0.03) 1 = o2,o3’ün çıktıları yukarıdaki gibi hesaplanır. O1’ün çıktısı istenilen şekilde değildir. Bu durumda ağırlıkların yeniden hesaplanmasına gidilir.  1 = 0.509( )( ) =  w13 = 0.3(-0.127) x 1 = , w13 = 0.02 – =  2 = 0.678( )(-0.127)(-0.02) =  w23 = 0.3 ( ) x 1 = , w23 = = (  w ji o i -  j ) -- 1 + e 1 Sigmoid fonk. Ağırlıkların değişimi 46

47  1 = 0.509( )( ) =  w14 = 0.3(-0.127) x 1 = , w14 = 0.03 – =  2 = 0.678( )(-0.127)(-0.02) =  w24 = 0.3 ( ) x 1 = , w24 = =    1 = 0.509( )( ) =  w12 = 0.3(-0.127) x = , w12 = – =  Değişik örnekler gösterilerek ağ, yukarıdaki gibi eğitilir. 47

48 Sonuçta aşağıdaki ağırlıklara ulaşıldığında ağ öğrenmesini durdurur Sonuç ağırlıklar Sonuçta : O3=1,O4=0 için 0.01’lik bir hata payı ile O2= O1= Değerleri elde edilir. 48


"Çok Katmanlı Yapay Sinir Ağı Modelleri 1. Daha önce bahsedilen YSA’lar doğrusal olan olayları çözebilmelerine karşın doğrusal olmayan olayları çözememektedirler." indir ppt

Benzer bir sunumlar


Google Reklamları