เครือข่ายประสาท backpropagation คืออะไร?

ในโลกของการเขียนโปรแกรมคอมพิวเตอร์และปัญญาประดิษฐ์เครือข่ายประสาท backpropagation เป็นเพียงเครือข่ายประสาทเทียมชนิดหนึ่ง (ANN) ที่ใช้ backpropagationBackpropagation เป็นพื้นฐานและเป็นอัลกอริทึมที่ใช้กันทั่วไปซึ่งสั่งให้ ANN เป็นวิธีการปฏิบัติงานที่กำหนดแม้ว่าแนวคิดนี้อาจดูสับสนและหลังจากดูสมการที่จำเป็นในระหว่างกระบวนการดูเหมือนจะเป็นต่างประเทศแนวคิดนี้พร้อมกับเครือข่ายประสาทที่สมบูรณ์นั้นค่อนข้างเข้าใจได้ง่าย

สำหรับผู้ที่ไม่คุ้นเคยกับเครือข่ายประสาทAnn หรือเพียง NN ที่ย่อมาจาก "Neural Network" เป็นแบบจำลองทางคณิตศาสตร์ที่มีลวดลายตามคุณสมบัติบางอย่างของเครือข่ายประสาทในชีวิตจริงเช่นที่พบในสิ่งมีชีวิตสมองของมนุษย์เป็นเครือข่ายประสาทขั้นสูงสุดที่มีการทำงานให้เบาะแสบางอย่างเกี่ยวกับวิธีการปรับปรุงโครงสร้างและการทำงานของ NNs เทียมเช่นเดียวกับสมองที่เป็นพื้นฐานที่สุด Ann มีเครือข่ายของเซลล์ประสาทเทียมที่เชื่อมต่อถึงกันซึ่งประมวลผลข้อมูล

สิ่งที่น่าสนใจเกี่ยวกับเรื่องนี้คือแอนสามารถปรับและปรับเปลี่ยนโครงสร้างเมื่อจำเป็นตามข้อมูลที่ได้รับจากสภาพแวดล้อมและจากภายในเครือข่ายมันเป็นรูปแบบการคำนวณที่ซับซ้อนที่ใช้การวิเคราะห์ข้อมูลทางสถิติที่ไม่ใช่เชิงเส้นและมีความสามารถในการตีความความสัมพันธ์ที่ซับซ้อนระหว่างข้อมูลเช่นอินพุตและเอาต์พุตมันสามารถแก้ไขปัญหาที่ไม่สามารถแก้ไขได้โดยใช้วิธีการคำนวณแบบดั้งเดิม

ความคิดสำหรับเครือข่ายประสาท backpropagation ครั้งแรกเกิดขึ้นในปี 1969 จากการทำงานของ Arthur E. Bryson และ Yu-Chi Hoในปีต่อ ๆ มาโปรแกรมเมอร์และนักวิทยาศาสตร์คนอื่น ๆ ได้ปรับปรุงความคิดเริ่มต้นในปี 1974 เครือข่ายประสาท backpropagation ได้รับการยอมรับว่าเป็นความก้าวหน้าที่เป็นนวัตกรรมในการศึกษาและการสร้างเครือข่ายประสาทเทียม

การเรียนรู้เครือข่ายประสาทเป็นงานสำคัญภายใน ANN ที่ทำให้มั่นใจได้ว่าจะสามารถประมวลผลข้อมูลได้อย่างถูกต้องทำหน้าที่อย่างถูกต้องเครือข่ายประสาท backpropagation ใช้รูปแบบทั่วไปของกฎเดลต้าเพื่อเปิดใช้งานการเรียนรู้เครือข่ายประสาทซึ่งหมายความว่ามันใช้ประโยชน์จากครูที่สามารถคำนวณเอาต์พุตที่ต้องการออกจากอินพุตบางอย่างที่ป้อนเข้าสู่เครือข่าย

กล่าวอีกนัยหนึ่งเครือข่ายประสาท backpropagation เรียนรู้โดยตัวอย่างโปรแกรมเมอร์ให้แบบจำลองการเรียนรู้ที่แสดงให้เห็นว่าเอาต์พุตที่ถูกต้องจะเป็นอย่างไรโดยได้รับชุดอินพุตเฉพาะตัวอย่างอินพุตเอาท์พุทนี้เป็นครูหรือแบบจำลองที่ส่วนอื่น ๆ ของเครือข่ายสามารถกำหนดรูปแบบการคำนวณที่ตามมาหลังจาก

กระบวนการทั้งหมดดำเนินการอย่างเป็นระบบในช่วงเวลาที่วัดได้ด้วยชุดอินพุตที่แน่นอนแอนใช้การคำนวณที่เรียนรู้จากโมเดลเพื่อสร้างเอาต์พุตเริ่มต้นจากนั้นเปรียบเทียบผลลัพธ์นี้กับเอาต์พุตที่รู้จักกันดีคาดหวังหรือดีและทำการปรับเปลี่ยนตามต้องการในกระบวนการคำนวณค่าความผิดพลาดนี่คือการแพร่กระจายไปมาผ่านเครือข่ายประสาท backpropagation จนกว่าจะมีการกำหนดเอาต์พุตที่ดีที่สุดเท่าที่จะเป็นไปได้