Tulad ng ipinahihiwatig ng pangalan, ang backpropagation ay isang algorithm na pabalik ay nagpapalaganap ng mga error mula sa mga output node hanggang sa mga input node. Samakatuwid, ito ay simpleng tinukoy bilang 'paatras na paglaganap ng mga pagkakamali'. Ang pamamaraang ito ay binuo mula sa pagsusuri ng isang utak ng tao. Pagkilala sa pagsasalita, pagkilala sa character, pagpapatunay ng lagda, pagkilala sa mukha ng tao ay ilan sa mga kagiliw-giliw na aplikasyon ng mga neural network. Ang mga neural network ay dumaan sa pinangangasiwaang pag-aaral, ang input vector na dumadaan sa network ay gumagawa ng output vector. Ang output vector na ito ay na-verify laban sa nais na output. Kung ang resulta ay hindi tugma sa output vector, isang ulat ng error ang nabuo. Batay sa ulat ng error, ang mga timbang ay nababagay upang makuha ang nais na output.
Ano ang isang Artipisyal na Neural Network?
Isang Artipisyal na neural network gumagamit ng pinangangasiwaang alituntunin sa pag-aaral upang maging mahusay at makapangyarihan. Ang impormasyon sa mga neural network ay dumadaloy sa dalawang magkakaibang paraan. Pangunahin, kapag ang modelo ay sinasanay o natututo at kapag ang modelo ay normal na nagpapatakbo - alinman para sa pagsubok o ginamit upang maisagawa ang anumang gawain. Ang impormasyon sa iba't ibang mga form ay pinakain sa modelo sa pamamagitan ng mga input neuron, na nagpapalitaw ng maraming mga layer ng mga nakatagong neuron at naabot ang mga output neuron, na kilala bilang isang feedforward network.
Tulad ng lahat ng mga neuron na hindi nag-trigger nang sabay, ang mga neuron na tumatanggap ng mga input mula sa kaliwa ay pinarami ng mga timbang habang naglalakbay sila sa mga nakatagong layer. Ngayon, idagdag ang lahat ng mga input mula sa bawat neuron at kapag lumagpas ang kabuuan sa isang tiyak na antas ng threshold, ang mga neuron na nanatiling tahimik ay mag-uudyok at magkakonekta.
Ang paraan ng pagkatuto ng Artipisyal na Neural Network ay natututo ito mula sa kung ano ang maling nagawa at tama, at ito ay kilala bilang feedback. Gumagamit ang feedback ng Mga Artipisyal na Neural Network upang malaman kung ano ang tama at mali.
Ano ang Backpropagation?
Kahulugan: Ang backpropagation ay isang mahalagang mekanismo kung saan nagsasanay ang mga neural network. Ito ay isang mekanismo na ginamit upang maiayos ang mga timbang ng isang neural network (kung hindi man ay tinukoy bilang isang modelo sa artikulong ito) patungkol sa rate ng error na ginawa sa nakaraang pag-ulit. Ito ay katulad ng isang messenger na nagsasabi sa modelo kung ang net ay nagkamali o hindi sa lalong madaling hinulaan ito.
backpropagation-neural-network
Ang backpropagation sa mga neural network ay tungkol sa paghahatid ng impormasyon at nauugnay ang impormasyong ito sa error na nabuo ng modelo nang gumawa ng hula. Ang pamamaraang ito ay naglalayong bawasan ang error, na kung saan ay tinukoy bilang pagkawala function.
Paano Gumagana ang Backpropagation - Simpleng Algorithm
Ang backpropagation sa malalim na pag-aaral ay isang pamantayang diskarte para sa pagsasanay ng mga artipisyal na neural network. Ang paraan ng paggana nito ay iyon - Sa una kapag ang isang neural network ay dinisenyo, ang mga random na halaga ay itinalaga bilang mga timbang. Ang gumagamit ay hindi sigurado kung ang itinalagang mga halaga ng timbang ay tama o magkasya sa modelo. Bilang isang resulta, ang modelo ay naglalabas ng halaga na naiiba mula sa aktwal o inaasahang output, na isang halaga ng error.
Upang makuha ang naaangkop na output na may kaunting error, ang modelo ay dapat sanayin sa isang nauugnay na dataset o mga parameter at subaybayan ang pag-usad nito sa tuwing hinuhulaan nito. Ang neural network ay may kaugnayan sa error, sa gayon, tuwing nagbabago ang mga parameter, nagbabago rin ang error. Gumagamit ang backpropagation ng diskarteng kilala bilang panuntunan ng delta o gradient na pinagmulan upang mabago ang mga parameter sa modelo.
Ipinapakita ng diagram sa itaas ang pagtatrabaho ng backpropagation at ang pagtatrabaho nito ay ibinibigay sa ibaba.
- Ang 'X' sa mga input na maabot mula sa preconnected path
- 'W', ang tunay na timbang ay ginagamit upang i-modelo ang input. Ang mga halaga ng W ay sapalarang inilaan
- Ang output para sa bawat neuron ay kinakalkula sa pamamagitan ng pagpapasa ng pagpapalaganap - ang input layer, nakatagong layer, at output layer.
- Ang error ay kinakalkula sa mga output gamit ang equation Propagating paatras muli sa pamamagitan ng output at mga nakatagong layer, ang mga timbang ay nababagay upang mabawasan ang error.
Muli palaganapin nang maaga upang kalkulahin ang output at error. Kung ang error ay nai-minimize, ang prosesong ito ay nagtatapos, o kung hindi man ay nagpapalaganap ng paatras at inaayos ang mga halaga ng timbang.
Umuulit ang prosesong ito hanggang sa mabawasan ang error sa isang minimum at nais na output na makuha.
Bakit Kailangan Namin ang Backpropagation?
Ito ay isang mekanismong ginamit upang sanayin ang neural network na nauugnay sa partikular na dataset. Ilan sa mga bentahe ng Backpropagation ay
- Ito ay simple, mabilis at madaling i-program
- Ang mga numero lamang ng pag-input ang na-tune at hindi anumang iba pang parameter
- Hindi na kailangang magkaroon ng paunang kaalaman tungkol sa network
- Ito ay may kakayahang umangkop
- Isang pamantayang diskarte at gumagana nang mahusay
- Hindi nito kinakailangan ang gumagamit na malaman ang mga espesyal na pag-andar
Mga uri ng Backpropagation Network
Mayroong dalawang uri ng mga backpropagation network. Ito ay ikinategorya bilang sa ibaba:
Static Backpropagation
Ang static backpropagation ay isang uri ng network na naglalayon sa paggawa ng isang pagmamapa ng isang static na input para sa static na output. Ang mga ganitong uri ng network ay may kakayahang malutas ang mga static na problema sa pag-uuri tulad ng pagkilala sa optikal na character (OCR).
Paulit-ulit na Backpropagation
Ang paulit-ulit na backpropagation ay isa pang uri ng network na nagtatrabaho sa naayos na point na pag-aaral. Ang mga pag-activate sa paulit-ulit na backpropagation ay pinapakain hanggang sa makamit nito ang isang nakapirming halaga. Kasunod nito, ang isang error ay kinakalkula at pinalaganap paatras. A software , Ang NeuroSolutions ay may kakayahang magsagawa ng paulit-ulit na backpropagation.
Ang mga pangunahing pagkakaiba: Ang static na backpropagation ay nag-aalok ng agarang pagmamapa, habang ang pagmamapa ng paulit-ulit na backpropagation ay hindi kaagad.
Mga Disadvantages ng Backpropagation
Ang mga hindi pakinabang ng backpropagation ay:
- Ang backpropagation ay posibleng maging sensitibo sa maingay na data at iregularidad
- Ang pagganap ng ito ay lubos na umaasa sa input data
- Nangangailangan ng labis na oras para sa pagsasanay
- Ang pangangailangan para sa isang pamamaraan na batay sa matrix para sa backpropagation sa halip na mini-batch
Mga aplikasyon ng Backpropagation
Ang mga aplikasyon ay
- Ang neural network ay sinanay upang ipahayag ang bawat titik ng isang salita at isang pangungusap
- Ginagamit ito sa larangan ng pagkilala sa pagsasalita
- Ginagamit ito sa larangan ng pagkilala ng karakter at mukha
Mga FAQ
1). Bakit kailangan natin ng backpropagation sa mga neural network?
Ito ay isang mekanismong ginamit upang sanayin ang neural network na nauugnay sa partikular na dataset
2). Ano ang layunin ng backpropagation algorithm?
Ang layunin ng algorithm na ito ay upang lumikha ng isang mekanismo ng pagsasanay para sa mga neural network upang matiyak na ang network ay sinanay upang mapa ang mga input sa kanilang naaangkop na output.
3). Ano ang rate ng pag-aaral sa mga neural network?
Ang rate ng pagkatuto ay tinukoy sa konteksto ng pag-optimize at pagliit ng pagkawala ng pag-andar ng isang neural network. Ito ay tumutukoy sa bilis kung saan ang isang neural network ay maaaring matuto ng bagong data sa pamamagitan ng pag-override sa dating data.
4). Ang neural network ba ay isang algorithm?
Oo Ang mga neural network ay isang serye ng mga pag-aaral ng algorithm o mga patakaran na idinisenyo upang makilala ang mga pattern.
5). Ano ang pagpapaandar ng pag-aktibo sa isang neural network?
Ang pagpapaandar ng pagpapaandar ng isang neural network ay nagpasiya kung ang neuron ay dapat na buhayin / ma-trigger o hindi batay sa kabuuang kabuuan.
Sa artikulong ito, ang konsepto ng Backpropagation ng mga neural network ay ipinaliwanag gamit ang simpleng wika para maunawaan ng isang mambabasa. Sa pamamaraang ito, ang mga neural network ay sinanay mula sa mga pagkakamali na nabuo upang maging sapat na sa sarili at hawakan ang mga kumplikadong sitwasyon. Ang mga neural network ay may kakayahang matuto nang tumpak sa isang halimbawa.
