Обучение нейронной сети — это процесс, в ходе которого модель искусственного интеллекта учится выполнять определённые задачи на основе предоставленных ей данных. 1

Существует два основных подхода к обучению нейронных сетей: 1

1. Обучение с учителем. 1 Нейросеть обучается на основе предварительно размеченных данных, которые включают в себя входные значения и соответствующие им целевые (ответы). 1 Например, если нужно обучить нейронную сеть распознавать изображения кошек, нужно подготовить набор изображений кошек (входные данные) и меток, которые указывают, что на этих изображениях действительно изображены кошки (ожидаемые результаты). 1
2. Обучение без учителя. 1 Нейронная сеть обучается на неразмеченных данных. 1 Главная её задача — найти скрытые закономерности, структуры или взаимосвязи без какой-либо предварительной информации о результатах. 1 Например, если нужно обучить нейронную сеть группировать изображения кошек и собак, нужны картинки кошек и собак без указания, что и к чему относится. 1

Процесс обучения нейронной сети можно разделить на несколько шагов: 2

1. Инициализация параметров нейронной сети. 2 Случайным образом инициализируются веса и смещения нейронной сети. 2
2. Прямое распространение. 2 Входные данные передаются через нейронную сеть, и каждый нейрон вычисляет свой выход на основе взвешенных сумм входных данных и смещения, которые проходят через функцию активации. 2 Выход последнего слоя нейронов называется выходом нейронной сети, который является её предсказанием. 2
3. Вычисление функции потерь. 2 Выход нейронной сети сравнивается с правильными ответами на обучающей выборке, а также вычисляется значение функции потерь. 2
4. Обратное распространение. 2 Вычисляются градиенты функции потерь по весам и смещениям нейронной сети, что позволяет определить, какие параметры нужно изменить для уменьшения функции потерь. 2
5. Обновление параметров нейронной сети. 2 Обновляются веса и смещения нейронной сети на основе вычисленных градиентов. 2 Это делается с помощью оптимизационного алгоритма, который изменяет параметры нейронной сети в направлении минимизации функции потерь. 2
6. Повторение процесса для каждого примера в обучающей выборке. 2 Позволяет нейронной сети обучаться на множестве данных. 2
7. Оценка эффективности нейронной сети на валидационных данных. 2 После того как нейронная сеть обучилась на обучающих данных, её эффективность оценивается на валидационных данных, которые не участвовали в процессе обучения. 2
8. Оценка эффективности на тестовых данных. 2 После того как нейронная сеть была обучена и её эффективность оценена на валидационных данных, её финальная эффективность оценивается на тестовых данных, которые не использовались в процессе обучения и валидации. 2 Это позволяет оценить, насколько хорошо нейронная сеть справляется с новыми, ранее неизвестными данными. 2