A specific example may help to clar

A specific example may help to clarify the learning mechanism. Suppose that there are 20
patterns, P1, P2, ... P20. Each of these patterns, Pi consists of an input and an output
(“teacher”) association (Ii, Ti). The system will be required to sequentially learn all 20
patterns. In other words, each individual pattern must be learned to criterion — along with
all of the pseudopatterns generated by the final-storage memory — before the system can
begin to learn the subsequent pattern. To learn pattern P1, its input I1 is presented to the
network. Activation flows through both parts of the network but the output from the finalstorage
part is prevented from reaching the teacher nodes by the “real” teacher T1. The
early-processing network then adjusts its weights with the standard backpropagation
algorithm using as the error signal the difference between T1 and the output, O1, of the earlyprocessing
network. Internally created pseudopatterns from the final-storage memory are
now generated and will be learned by the early-processing memory. This is done by
presenting random input to the network, which causes activation to spread through both the
early-processing and the final-storage memories. For “pseudo”-input, unlike for “real” input,
there is no “real” teacher to inhibit the arrival of final-storage activation to the teacher nodes
(i.e., the third layer of the final-storage network). The activation on the teacher nodes is thus
produced by the spreading of activation by the pseudo-input through the final-storage
memory. These teacher nodes then serve to train the early-processing memory

ผลลัพธ์ (ไทย) 1:

ตัวอย่างที่เฉพาะเจาะจงอาจช่วยชี้แจงกลไกการเรียนรู้ สมมติว่า มี 20รูปแบบ P1, p 2, ... P20 รูปแบบของแต่ละเหล่านี้ ปี่ประกอบด้วยอินพุตและ output("ครู") สมาคม (Ii ตี้) ระบบจะต้องเรียนทั้งหมด 20 ตามลำดับรูปแบบการ ในคำอื่น ๆ แต่ละรูปแบบแต่ละต้องเรียนรู้กับเกณฑ์ — พลอยpseudopatterns ที่สร้างขึ้น โดยหน่วยความจำเก็บข้อมูลสุดท้ายทั้งหมด — ก่อนที่ระบบจะสามารถเริ่มเรียนรู้รูปแบบต่อมา เรียนรู้รูปแบบ P1 แสดง I1 ป้อนเข้าไปเครือข่าย เปิดใช้งานไหลผ่านทั้งเครือแต่ผลจากการ finalstorageส่วนต่าง ๆ จากการเข้าถึงโหนครู โดยอาจารย์ "จริง" T1 ที่เครือข่ายประมวลผลก่อนแล้วปรับน้ำหนักของกับ backpropagation มาตรฐานอัลกอริทึมที่ใช้ความแตกต่างระหว่าง T1 และผลผลิต O1 ของ earlyprocessing ที่เป็นสัญญาณผิดพลาดเครือข่าย Pseudopatterns ภายในสร้างจากความทรงจำสุดท้ายเก็บใจตอนนี้สร้าง และจะเรียนรู้ โดยเริ่มต้นการประมวลผลหน่วยความจำ ซึ่งทำได้โดยนำเข้าแบบสุ่มไปยังเครือข่าย ซึ่งทำให้เปิดใช้งานการแพร่กระจายผ่านทั้งสองช่วงประมวลผลและความทรงจำสุดท้ายเก็บ สำหรับ "หลอก" -อินพุต ซึ่งแตกต่างจากการ "จริง" ป้อนข้อมูลมีครู "จริง" ไม่ยับยั้งมาเรียกใช้งานสุดท้ายเก็บโหนครู(เช่น สามชั้นของเครือข่ายเก็บข้อมูลสุดท้าย) จึงมีการเรียกใช้บนโหนครูผลิต โดยการกระจายของการเปิดใช้งานอินพุตลกันผ่านเก็บสุดท้ายหน่วยความจำ ครูโหนเหล่านี้แล้วให้บริการรถไฟหน่วยความจำประมวลผลก่อน

ผลลัพธ์ (ไทย) 2:

ตัวอย่างที่เฉพาะเจาะจงอาจช่วยชี้แจงกลไกการเรียนรู้ สมมติว่ามี 20
รูปแบบ P1, P2, P20 ... แต่ละรูปแบบเหล่านี้ชิ้นประกอบไปด้วยการป้อนข้อมูลและเอาท์พุท
("ครู") สมาคม (ii, Ti) ระบบจะต้องเรียนรู้ที่ 20
ตามลำดับทุกรูปแบบ ในคำอื่น ๆ ในแต่ละรูปแบบที่แต่ละคนจะต้องเรียนรู้ที่จะเกณฑ์ -
พร้อมกับทุกpseudopatterns ที่สร้างขึ้นโดยหน่วยความจำสุดท้ายการจัดเก็บ -
ก่อนที่ระบบจะสามารถเริ่มต้นที่จะเรียนรู้รูปแบบที่ตามมา ต้องการเรียนรู้รูปแบบ P1, I1
ปัจจัยการผลิตจะนำเสนอไปยังเครือข่าย การเปิดใช้งานไหลผ่านทั้งสองส่วนของเครือข่าย แต่การส่งออกจาก finalstorage
ส่วนหนึ่งคือการป้องกันจากการเข้าถึงโหนดครูโดย "ของจริง" ครู T1
เครือข่ายต้นการประมวลผลแล้วปรับน้ำหนักกับ backpropagation
มาตรฐานขั้นตอนวิธีการใช้เป็นข้อผิดพลาดของสัญญาณความแตกต่างระหว่างT1 และส่งออก, O1 ของ earlyprocessing
เครือข่าย ถูกสร้างขึ้นภายใน pseudopatterns
จากหน่วยความจำสุดท้ายการจัดเก็บข้อมูลที่มีการสร้างขึ้นในขณะนี้และจะได้รับการเรียนรู้จากหน่วยความจำในช่วงต้นของการประมวลผล นี้จะกระทำโดยนำเสนอการป้อนข้อมูลแบบสุ่มไปยังเครือข่ายซึ่งทำให้เกิดการกระตุ้นการแพร่กระจายผ่านทางทั้งการประมวลผลในช่วงต้นและความทรงจำครั้งสุดท้ายที่จัดเก็บ สำหรับ "หลอก" -input แตกต่างสำหรับการป้อนข้อมูล "ของจริง" ไม่มี "ของจริง" ครูในการยับยั้งการมาถึงของการเปิดใช้งานสุดท้ายที่จัดเก็บไปยังต่อมน้ำครู(เช่นชั้นที่สามของเครือข่ายสุดท้ายการเก็บรักษา) การเปิดใช้งานบนโหนครูจึงผลิตโดยการแพร่กระจายของการเปิดใช้งานโดยหลอกการป้อนข้อมูลผ่านทางสุดท้ายการจัดเก็บข้อมูลในหน่วยความจำ โหนดครูเหล่านี้ทำหน้าที่ในการฝึกอบรมหน่วยความจำในช่วงต้นของการประมวลผล

ผลลัพธ์ (ไทย) 3:

ตัวอย่างที่เฉพาะเจาะจงอาจช่วยอธิบายกลไกการเรียนรู้ สมมติว่ามี 20
รูปแบบ , P1 , P2 , . . . p20 . แต่ละรูปแบบเหล่านี้เมื่อประกอบด้วย Input และ output
( " ครู " ) สมาคม ( 2 , Ti ) ระบบจะต้องพิจารณาเรียนรู้รูปแบบ 20
ทั้งหมด ในคำอื่น ๆที่แต่ละแบบแต่ละคนต้องเรียนรู้ที่จะเกณฑ์พร้อมด้วย
ทั้งหมดของ pseudopatterns ที่เกิดจากความทรงจำ - กระเป๋าสุดท้ายก่อนที่ระบบจะ
เริ่มเรียนรู้รูปแบบตามมา เรียนรู้รูปแบบของการป้อนข้อมูล i0 P1
มอบให้กับเครือข่าย การไหลผ่านทั้งส่วนของเครือข่าย แต่ผลผลิตจากส่วน finalstorage
ถูกขัดขวางจากการเข้าถึงโหนดโดยครู " T1 ครูที่แท้จริง "
เครือข่ายการประมวลผลก่อนจากนั้นปรับความหนักด้วยมาตรฐานแบบ
ขั้นตอนวิธีใช้เป็นสัญญาณความคลาดเคลื่อน ความแตกต่างระหว่าง T1 และผลผลิตต่ำของ earlyprocessing
เครือข่าย ภายในสร้าง pseudopatterns จากหน่วยความจำสุดท้าย
สร้างขึ้นตอนนี้และจะเรียนรู้โดยหน่วยความจำประมวลผลเร็ว นี้จะกระทำโดย
เสนอสุ่มเข้าเครือข่ายซึ่งเป็นสาเหตุของการกระตุ้นการแพร่กระจายผ่านทั้ง
ก่อนการประมวลผลและความทรงจำที่เก็บสุดท้าย " หลอก " - นำเข้า ซึ่งแตกต่างจาก " ของจริง " ใส่
ไม่มี " จริง " ครูยับยั้งมาถึงขั้นสุดท้าย การกระตุ้นให้ครูเก็บโหนด
( เช่น ที่สามชั้นของเครือข่ายการจัดเก็บขั้นสุดท้าย ) การเปิดใช้งานบนโหนดปาน
ครูผลิตโดยการแพร่กระจายของการกระตุ้นด้วยสัญญาณหลอกผ่านหน่วยความจำ
สุดท้าย โหนดครูเหล่านี้ แล้วให้ฝึกความจำก่อนการประมวลผล