كويك بروب

Quickprop هي طريقة تكرارية لتحديد الحد الأدنى لدالة الخسارة في الشبكة العصبية الاصطناعية ، ^{[ 1 ]} وهي تتبع خوارزمية مستوحاة من طريقة نيوتن . تُصنف هذه الخوارزمية أحيانًا ضمن مجموعة طرق التعلم من الدرجة الثانية. تعتمد على تقريب تربيعي لخطوة التدرج السابقة والتدرج الحالي، والذي يُتوقع أن يكون قريبًا من الحد الأدنى لدالة الخسارة، بافتراض أن دالة الخسارة مربعة تقريبًا محليًا، وتحاول وصفها باستخدام قطع مكافئ مفتوح لأعلى . يُبحث عن الحد الأدنى عند رأس القطع المكافئ. لا تتطلب هذه العملية سوى معلومات محلية عن العصبون الاصطناعي الذي تُطبق عليه.${\displaystyle k}$الخطوة التقريبية رقم -th معطاة بالصيغة التالية:

${\displaystyle \Delta ^{(k)}\,w_{ij}=\Delta ^{(k-1)}\,w_{ij}\left({\frac {\nabla _{ij}\,E^{(k)}}{\nabla _{ij}\,E^{(k-1)}-\nabla _{ij}\,E^{(k)}}}\right)}$

أين${\displaystyle w_{ij}}$يمثل وزن المدخلات${\displaystyle i}$من الخلايا العصبية${\displaystyle j}$، و${\displaystyle E}$هي دالة الخسارة.

خوارزمية Quickprop هي تطبيق لخوارزمية الانتشار العكسي للخطأ ، ولكن يمكن أن تتصرف الشبكة بشكل فوضوي أثناء مرحلة التعلم بسبب أحجام الخطوات الكبيرة.

• سكوت إي. فاهلمان: دراسة تجريبية لسرعة التعلم في شبكات الانتشار العكسي ، سبتمبر 1988