電腦學會如何學習了嗎？——類神經網路學習分類

類神經網路如何自動調整權重？

誤差與學習演算法 學習分類昆蟲資料 激勵函數與學習演算法

類神經網路如何自動調整權重？

在先前的單元中，我們認識到類神經網路以及它的應用，

我們也深入介紹了類神經網路中的概念，像是「權重」、「誤差」、「激勵函數」等，

還記得我們一開始「手動」調整權重嗎？

在這個章節，我們將開始介紹類神經網路如何「自動」調整權重。

這時候，先回想一下「調整權重」的目的是什麼？

清楚知道調整權重的目的後，我們來正式開始介紹如何「自動」調整權重吧。

在先前的課程，我們將「誤差」定義為「期望輸出」減去「輸出」，

而如果誤差為正，就需要增加類神經網路的輸出；如果誤差為負，就需要減少類神經網路的輸出，

依照這個想法，在1958年時，Frank Rosenblatt提出了一種學習演算法：

w_i^t+1 = w_i^t + 𝛼 * x_i * Error^t

(演算法中的「Error」即為「誤差」)

這個演算法主要的設計原理是透過誤差來決定權重需要多少調整，

如果誤差很大，權重調整的幅度就會大，反之則調整幅度就會小，

而演算法當中的「𝛼 * x_i * Error^t」，

就是在每次迭代中，決定權重需要調整多少的計算方式，

𝛼值為「學習率」，它是一個介在0和1的正數(它通常不會是0)，

可以調整每次權重的調整幅度，而x_i就是類神經網路的輸入值，

重點總結

在本章節中，我們介紹了一種學習演算法，理解它可能要花費一些心思，

在下個章節中，我們會用更簡單的比喻來說明這個演算法，

並且在本章的模擬操作中，我們會再用更實際的案例來運用這個學習演算法，

讓你能夠更加熟悉這個概念。

回到最上方