Mi az a háttérpropagációs neurális hálózat?

A programozás, a számítógépek és a mesterséges intelligencia világában a backpropagation neurális hálózat egyszerűen egyfajta mesterséges neurális hálózat (ANN), amely háttérképet használ.A háttérpropagáció alapvető, és egy általánosan használt algoritmus, amely egy adott feladat elvégzésének módját utasítja.Annak ellenére, hogy ez a koncepció zavarónak tűnhet, és a folyamat során megkövetelt egyenletek áttekintése után teljesen idegennek tűnik, ez a koncepció a teljes neurális hálózattal együtt meglehetősen könnyen érthető.Egy ANN, vagy egyszerűen egy NN, amely a „neurális hálózat” -ot képviseli, egy matematikai modell, amelyet a valós neurális hálózatok bizonyos tulajdonságai után mintáznak, mint például az élő dolgokban.Az emberi agy a végső ideghálózat, amelynek működése néhány nyomot ad a mesterséges NNS szerkezetének és működésének javítására.Mint a legfontosabb agy, az ANN -nek az összekapcsolt mesterséges idegsejtek hálózata van, amelyek feldolgozzák az információkat.

Ami lenyűgöző, hogy egy ANN szükség esetén alkalmazkodhat és módosíthatja annak szerkezetét, a környezetből és a hálózaton belül kapott információk szerint.Ez egy kifinomult számítási modell, amely nemlineáris statisztikai adatok elemzését használja, és képes értelmezni az adatok, például a bemenetek és a kimenetek közötti összetett kapcsolatokat.Olyan problémákat okozhat, amelyeket a hagyományos számítási módszerekkel nem lehet megoldani.

A hátrányos helyzetű neurális hálózat ötlete először 1969-ben jött létre Arthur E. Bryson és Yu-Chi Ho munkájából.A későbbi években más programozók és tudósok finomították az ötletet.1974 -től kezdve a backpropagation neurális hálózatot innovatív áttörésként elismerték a mesterséges ideghálózatok tanulmányában és létrehozásában.

A neurális hálózati tanulás az AN -n belüli fő feladat, amely biztosítja, hogy továbbra is képes az adatok helyes feldolgozására, és ezérthajtsa végre a funkcióját megfelelően.A backpropagation neurális hálózat a Delta -szabály általános formáját használja a neurális hálózati tanulás lehetővé tétele érdekében.Ez azt jelenti, hogy egy olyan tanárt használ, amely képes kiszámítani a kívánt kimeneteket a hálózatba beillesztett egyes bemenetekből.A programozó olyan tanulási modellt biztosít, amely bemutatja, hogy mi lenne a helyes kimenet, egy adott bemeneti készlet alapján.Ez a bemeneti-output példa a tanár vagy modell, hogy a hálózat más részei a későbbi számításokat követhetik el.

A teljes folyamat módszeresen folytatódik mért időközönként.Ha egy határozott bemeneti készletet ad, az ANN alkalmazza a modellből megtanult számításokat, hogy kidolgozzon egy kezdeti kimenetet.Ezután összehasonlítja ezt a kimenetet az eredetileg ismert, várható vagy jó kimenetekkel, és szükség szerint beállítást végez.A folyamat során kiszámítják a hibaértéket.Ezt ezután előre -hátra terjesztik a háttérpropagációs neurális hálózaton keresztül, amíg a lehető legjobb kimenetet nem határozzák meg.