neyrontarmoqlarini o'qitish algoritmlari

PPTX 28 стр. 955,1 КБ Бесплатная загрузка

28 стр.

FaylHub.uz

Скачать через Telegram

Размер 955,1 КБ

Тип файла PPTX

Страницы 28

Обновлено Дек 2025

Предварительный просмотр (5 стр.)

Прокрутите вниз 👇

1 / 28

prezentatsiya powerpoint neyron tarmoqlarini o‘qitish algoritmlari. ma’ruza rejasi numpy paketi imkoniyatlari neyron tarmog’ida sinflashtirish masalasi dataset ni shakllantirish. datasetni vizuallashtirish neyron tarmoqni qurish (numpy paketi misolida) feedforward va backpropagation. .dot funksiyasi neyron tarmoqni o’qitish va loss funksiyasini hisoblash modelni natijasini choq qilish xulosa foydalanilgan adabiyotlar feedforward feedforward (oldinga yo’naltirilgan) neyron tarmoqda – kiruvchi qiymatlar (inputs) qabul qilinadi va neyronlarning og’irlik koeffitsentlari (weights) tasodifiy qiymat qabul qiladi. og’irlik koeffitsentlari (weights) ning tasodifiy qiymatlarini optrimallashtirish yoki sozlash uchun backpropagation (orqaga yo’naltirish) usulidan foydalaniladi bu yerda barcha w koeffitsentlar tasodifiy olinadi backpropagation backpropagation – bu neyron tarmoqdagi taxmin qilingan chiqish (prediction output) va maqsadli chiqish (target output) o'rtasidagi xatolikni (error) hisoblash va shunga mos vazn qiymatlarini (og’irlik koeffitsentlarini) yangilash uchun “gradiyentli tushish” algoritmidan foydalanish jarayonidir.. og’irlik koeffitsentlarni o’zgartirish birinchi qadamda tasodifiy shakllantirilgan og’irlik koeffitsentlarini (w) sozlash neyron tarmoqni o’qitish davomida 2 xil holatda amalga oshiriladi: og’irlik koeffitsent qiymatini oshirish og’irlik koeffitsent qiymatini kamaytirish …

2 / 28

ish agar neyron tarmoq o’qitish davomida w=2 qiymatni qabul qilsa, unda berilgan dataset uchun quyidagi holat vujudga keladi. global mimumga erishish neyron tarmoqdagi parametrlarni yangilash (update) sikl asosida minimum xatolikka erishish asosida amalga oshiriladi. xatolik (error) minimal darajaga tushguncha og'irlik qiymati yangilab boriladi. agar siklning keyingi qadamida og'irlik qiymatiga nisbatan keyingi yangilanishlar yuz berib, xatolik ortadigan bo’lsa, siklni to’xtatiladi va natijada og'irlik kaeffitsentining qiymatiga erishamiz. bu esa yakuniy global minimumga erishish bilan baholanadi gradient tushish algoritmi gradient tushish - bu neyron tarmoq parametrlari uchun maqbul qiymatlarni topish uchun iterativ ravishda ishlaydigan mashinali o‘qitish algoritmi hisoblanadi. gradient tushish asosida og’irlik koeffitsentlarini o’zgartirish tasodidifiy yoki foydalanuvchi tomonidan belgilangan o’rganish darajasi (learning rate) va dastlabki parametr (initial values) qiymatlari asosida ishlaydi. algoritm ketma-ketligi quyidagicha: dastlabki qiymatlarni initsializatsiya qilish cost funksiyasini hisoblash og’irlik koeffitsentlarini yangilish (yangilash funksiyasi asosida) cost funksiyasi uchun minimal “cost” qiymatini qaytarish gradient tushish asosida w ni hisoblash formulasi loss funksiyasi …

3 / 28

etadi. numpy massivlari - manfiy bo'lmagan butun sonlar to'plami bilan indekslangan, bir xil tipdagi qiymatlar jadvalidir. massivning o`lchamlari soni uning rangini belgilaydi va har bir o`lchamlarining(kanallarining) o`lchamlarini o`zida saqlaydigan butun sonlardan tashkil topgan statik ro`yxatlar numpy massivlari shape(shakli) deyiladi. numpy massivlarini python ro`yxatlari (list) orqali hosil qilish mumkin va ularga [ ] ko`rinishidagi qavslar orqali murojaat qilish mumkin. numpyda massivlar yaratish numpyda massivlarni hosil qilish uchun bir qancha funksiyalari mavjud massivlar ustida amallar kesimlar ajratib olish: python ro'yxatlariga o'xshash, numpy massivlaridan kesimlar ajratib olish mumkin. massivlar ko'p o'lchovli bo'lishi mumkinligi sababli, massivning har bir o'lchovi uchun bo'lakni belgilashingiz shart dot() funksiyasi dot() funksiyasi matritsani bir biriga ko’paytirish uchun ishlatiladi. quyida misol berilgan: import numpy.matlib import numpy as np a = np.array([[1,2],[3,4]]) b = np.array([[11,12],[13,14]]) np.dot(a,b) dataset ni shakllantirish. datasetni vizuallashtirish va 1 orqali datasetni shakllantirish #a 0 0 1 1 0 0 0 1 0 0 1 0 1 1 …

4 / 28

$har bir kiruvchi ma’lumot uchun “label” lar ham numppy array ko’rinishiga o’tkaziladi y = np.array(y) #natijani chop qilish print(x, "\n\n", y) masalani yechish uchun quriladigan neyron tarmoq arxitekturasi neyron tarmog’ini qurish va o’qitish uchun kerak bo’lgan funksiyalar neyron tarmog’ini qurish va o’qitish uchun kerak bo’lgan funksiyalar neyron tarmog’ini qurish va o’qitish uchun kerak bo’lgan funksiyalar qurilgan modelni ishga tushirish w1 = generate_wt(30, 5) # tasodifiy og’irlik koeffitsentlari (input-hidden) w2 = generate_wt(5, 3) # tasodifiy og’irlik koeffitsentlari (hidden-output) print(w1, "\n\n", w2) # tasodifiy olingan qiymatlarni chop qilish acc, losss, w1, w2 = train(x, y, w1, w2, 0.1, 100) #modelni o’qitish print(w1, "\n", w2) #model o’qitilgandan keyingi koeffitsentlar predict(x[1], w1, w2) # o’qitilgan model koeffitsentlarini choq qilish model aniqligi va yo’qotish funksiyasi natijasini vizuallashtirish import matplotlib.pyplot as plt1 # model aniqligi uchun grafik plt1.plot(acc) plt1.ylabel('accuracy') plt1.xlabel("epochs:") plt1.show() # loss uchun grafik plt1.plot(losss) plt1.ylabel('loss') plt1.xlabel("epochs:") plt1.show() dastur natijalari (tasodifiy koeffitsentlar) w1 uchun qiymatlar …$

5 / 28

g image15.png image16.jpg image17.png image18.jpg image19.png image20.jpg image21.jpg image22.jpg image23.jpg image24.png image25.png image26.png image27.jpg image28.jpg image29.png image30.png image31.png

Хотите читать дальше?

Скачайте все 28 страниц бесплатно через Telegram.

Скачать полный файл

О "neyrontarmoqlarini o'qitish algoritmlari"

prezentatsiya powerpoint neyron tarmoqlarini o‘qitish algoritmlari. ma’ruza rejasi numpy paketi imkoniyatlari neyron tarmog’ida sinflashtirish masalasi dataset ni shakllantirish. datasetni vizuallashtirish neyron tarmoqni qurish (numpy paketi misolida) feedforward va backpropagation. .dot funksiyasi neyron tarmoqni o’qitish va loss funksiyasini hisoblash modelni natijasini choq qilish xulosa foydalanilgan adabiyotlar feedforward feedforward (oldinga yo’naltirilgan) neyron tarmoqda – kiruvchi qiymatlar (inputs) qabul qilinadi va neyronlarning og’irlik koeffitsentlari (weights) tasodifiy qiymat qabul qiladi. og’irlik koeffitsentlari (weights) ning tasodifiy qiymatlarini optrimallashtirish yoki sozlash uchun backpropagation (orqaga yo’naltirish) usulidan foydalaniladi bu yerda barcha w koeffi...

Этот файл содержит 28 стр. в формате PPTX (955,1 КБ). Чтобы скачать "neyrontarmoqlarini o'qitish algoritmlari", нажмите кнопку Telegram слева.

Теги: neyrontarmoqlarini o'qitish alg… PPTX 28 стр. Бесплатная загрузка Telegram