Vad är ett neuralt nätverk av backpropagation?

I världen av programmering, datorer och konstgjord intelligens är ett neuralt nätverk av backpropagation helt enkelt ett slags konstgjort neuralt nätverk (ANN) som använder backpropagation.Backpropagation är en grundläggande och är en vanligt använt algoritm som instruerar en ANN hur man utförs en given uppgift.Även om detta koncept kan verka förvirrande, och efter att ha tittat på de ekvationer som krävs under processen verkar helt främmande, är detta koncept, tillsammans med det kompletta neurala nätverket, ganska lätt att förstå.

För dem som inte är bekanta med neurala nätverk,En ANN, eller helt enkelt en NN som står för "Neural Network", är en matematisk modell som är mönstrad efter vissa funktioner i verkliga neurala nätverk, som de som finns i levande saker.Den mänskliga hjärnan är det ultimata neurala nätverket vars funktion ger några ledtrådar om hur man kan förbättra strukturen och driften av konstgjorda NN: er.Liksom en mest rudimentär hjärna har ett ANN ett nätverk av sammankopplade konstgjorda neuroner som bearbetar information.

Det som är fascinerande med det är att en ANN kan anpassa och ändra sin struktur vid behov, enligt den information som den får från miljön och från nätverket.Det är en sofistikerad beräkningsmodell som använder icke-linjär statistisk dataanalys och kan tolka komplexa relationer mellan data som ingångar och utgångar.Det kan fungera problem som inte kan lösas med traditionella beräkningsmetoder.

Idén till ett backpropagation Neural Network kom först år 1969 från Arthur E. Bryson och Yu-Chi Ho.På senare år förfinade andra programmerare och forskare idén.Från och med 1974 kom backpropagation Neural Network att erkännas som ett innovativt genombrott i studien och skapandet av konstgjorda neurala nätverk.

Neural Network Learning är en viktig uppgift inom en ANN som säkerställer att det fortsätter att kunna bearbeta data korrekt och därförutföra sin funktion ordentligt.Ett neuralt nätverk av backpropagation använder en generaliserad form av deltaregeln för att möjliggöra neuralt nätverksinlärning.Detta innebär att det använder en lärare som kan beräkna de önskade utgångarna från de vissa ingångarna som matas in i nätverket.

Med andra ord lär sig ett backpropagationsnätverk med exempel.Programmeraren tillhandahåller en inlärningsmodell som visar vad rätt utgång skulle vara, med tanke på en specifik uppsättning ingångar.Detta input-output-exempel är läraren eller modellen att andra delar av nätverket kan mönstra efterföljande beräkningar efter.

Hela processen fortsätter metodiskt i uppmätta intervall.Med tanke på en bestämd uppsättning ingångar tillämpar ANN beräkningen som lärt sig från modellen för att komma med en första utgång.Den jämför sedan denna produktion med den ursprungligen kända, förväntade eller bra produktionen och gör justeringar efter behov.Under processen beräknas ett felvärde.Detta förökas sedan fram och tillbaka genom backpropagation Neural Network tills bästa möjliga utgång bestäms.