this technique typically achieves m

this technique typically achieves much faster learning compared to
common random weight initialization [45]. Since this algorithm
chooses values in order to distribute the active region of each
neuron in the layer approximately evenly across the layer's input
space, it has advantages over purely random initial values. First, few
units are wasted since the active regions of all the units are in the
input space. Second, training works faster since each area of the
input space has active regions [52].
The initialization of the weights from the input units to the
hidden units is accomplished by distributing the initial weights and
basis so that, for each input pattern, it is likely that the net input to
one of the hidden units will be in the range in which that hidden
neuron will learn most readily. The procedure consists of following
steps [45]:

ผลลัพธ์ (ไทย) 1:

เทคนิคนี้ได้รับโดยทั่วไปจะเรียนได้เร็วขึ้นมากเมื่อเทียบกับเตรียมสุ่มน้ำหนักทั่วไป [45] เนื่องจากอัลกอริทึมนี้เลือกค่าการกระจายขอบเขตงานของแต่ละเซลล์ประสาทในชั้นประมาณเท่า ๆ กันในแนวนอนของเข้าชั้นพื้นที่ มันมีข้อดีกว่าค่าเริ่มต้นสุ่มเพียงอย่างเดียว สิ่งแรกหน่วยมีการสูญเสียตั้งแต่พื้นที่ใช้งานของทุกหน่วยในการพื้นที่สำหรับการป้อนค่า สอง การฝึกอบรมทำงานได้เร็วขึ้นเนื่องจากแต่ละพื้นที่ของการพื้นที่อินพุตมีงานภูมิภาค [52]การเริ่มต้นน้ำหนักจากหน่วยเข้าไปซ่อนหน่วยได้ โดยการกระจายน้ำหนักเริ่มต้น และพื้นฐานนั้น สำหรับแต่ละรูปแบบการป้อนข้อมูล มีแนวโน้มว่า สุทธิป้อนเข้าหนึ่งหน่วยซ่อนจะอยู่ในช่วงใดที่ซ่อนไว้ในเซลล์ประสาทจะเรียนรู้มากที่สุดพร้อม ประกอบด้วยขั้นตอนดังต่อไปนี้ขั้นตอนที่ [45]:

ผลลัพธ์ (ไทย) 3:

เทคนิคนี้โดยทั่วไปจะใช้มาก การเรียนรู้ได้เร็วขึ้นเมื่อเทียบกับน้ำหนักเริ่มต้นสุ่ม
ทั่วไป [ 45 ] เนื่องจากขั้นตอนวิธี
เลือกค่าเพื่อแจกจ่ายภูมิภาคปราดเปรียวของแต่ละเซลล์ประสาทในชั้นเท่ากัน

ประมาณทั่วพื้นที่ใส่ของชั้น มันมีข้อดีกว่าสุ่มหมดจดเริ่มต้นค่า แรกไม่กี่
หน่วยเสียตั้งแต่ภาคที่ใช้งานของหน่วยทั้งหมดใน
เข้าพื้นที่ ประการที่สอง การฝึกทำงานได้เร็วขึ้น เนื่องจากแต่ละพื้นที่ของ
ใส่พื้นที่ได้ปราดเปรียวภูมิภาค [ 52 ] .
การเริ่มต้นของน้ำหนักจากการป้อนข้อมูลที่หน่วยหน่วยที่ซ่อนอยู่ได้ โดยการกระจายน้ำหนัก

เริ่มต้นพื้นฐานดังนั้น สัญญาณเข้าแต่ละรูปแบบ มีแนวโน้มว่า

เข้าสุทธิหนึ่งในหน่วยจะอยู่ในช่วงที่ซ่อนอยู่
เซลล์ประสาทจะได้เรียนรู้มากที่สุดพร้อม กระบวนการประกอบด้วยขั้นตอนต่อไปนี้
[ 45 ] :