آموزش شبکه تکلایه با مدل فاصله اقلیدسی نورون در مسیله دسته بندی چندکلاسه

در این مقاله مدل فاصله اقلیدسی نورون را از دو جنبه مدلسازی و آموزش در مقایسه با مدل ضرب داخلی در یک شبکه عصبی تکلایه مورد بررسی قرار می دهیم. برای این منظور ابتدا نشان می دهیم این دو مدل می توانند کاملا معادل یکدیگر باشند. سپس به بررسی نحوه آموزش این مدلها و مقایسه آنها با یکدیگر می پردازیم. همچنین یک شیوه نوین یادگیری وزنها در مدل فاصله اقلیدسی ارایه می کنیم که مبتنی بر تصحیح خطا بوده و از کاهش گرادیان برای بهنگام سازی استفاده می کند؛ از مزیت های آموزش وزنها در مدل فاصله اقلیدسی نسبت به مدل ضرب داخلی، می توان به کنترل اندازه وزنها با یک مکانیزم خود-تنظیم کننده اشاره کرد که در این صورت نیازی به استفاده از سایر تنظیم کننده ها نظیر weight decay در مدل فاصله اقلیدسی نخواهد بود. با توجه به اهمیت مقداردهی اولیه وزنها در عملکر مناسب شبکه های عصبی، راهکار جدیدی برای مقداردهی اولیه شبکه های مبتنی بر فاصله اقلیدسی با استفاده از وزن های آموزش یافته در شبکه ضرب داخلی معادل آن بیان خواهیم کرد. در نهایت برای بررسی نتایج، مجموعه داده MNIST را به کار میگیریم و نشان میدهیم که نتیجه به دست آمده از مدل فاصله اقلیدسی در مقایسه با مدل ضربداخلی در یک شبکه تکلایه به مراتب بهتر عمل میکند.