Seperti namanya, backpropagation adalah algoritma yang kembali menyebarkan kesalahan dari output output ke nod input. Oleh itu, ia hanya disebut sebagai 'penyebaran kesalahan ke belakang'. Pendekatan ini dikembangkan dari analisis otak manusia. Pengenalan ucapan, pengenalan watak, pengesahan tandatangan, pengenalan wajah manusia adalah beberapa aplikasi rangkaian saraf yang menarik. Jaringan saraf melalui pembelajaran yang diawasi, vektor input yang melalui rangkaian menghasilkan vektor output. Vektor output ini disahkan berdasarkan output yang diinginkan. Sekiranya hasilnya tidak sesuai dengan vektor output, laporan ralat dihasilkan. Berdasarkan laporan ralat, bobot disesuaikan untuk mendapatkan output yang diinginkan.

Apa itu Rangkaian Neural Buatan?

Seorang Rangkaian Neural Buatan menggunakan peraturan pembelajaran yang diselia untuk menjadi cekap dan berkuasa. Maklumat dalam rangkaian saraf mengalir dengan dua cara yang berbeza. Terutama, ketika model sedang dilatih atau belajar dan ketika model beroperasi seperti biasa - baik untuk pengujian atau digunakan untuk melakukan tugas apa pun. Maklumat dalam bentuk yang berbeda dimasukkan ke dalam model melalui neuron input, memicu beberapa lapisan neuron tersembunyi dan mencapai output neuron, yang dikenal sebagai jaringan feedforward.

Oleh kerana semua neuron tidak mencetuskan pada masa yang sama, neuron yang menerima input dari kiri dikalikan dengan berat ketika bergerak melalui lapisan tersembunyi. Sekarang, tambahkan semua input dari setiap neuron dan apabila jumlahnya melebihi tahap ambang tertentu, neuron yang tidak bersuara akan memicu dan terhubung.

Cara belajar Rangkaian Neural Buatan adalah bahawa ia belajar dari apa yang telah dilakukannya salah dan melakukan yang betul, dan ini dikenali sebagai maklum balas. Rangkaian Neural Buatan menggunakan maklum balas untuk mengetahui apa yang betul dan salah.

Apa itu Backpropagation?

Definisi: Backpropagation adalah mekanisme penting di mana rangkaian saraf dilatih. Ini adalah mekanisme yang digunakan untuk menyempurnakan bobot jaringan saraf (sebaliknya disebut sebagai model dalam artikel ini) sehubungan dengan tingkat kesalahan yang dihasilkan pada lelaran sebelumnya. Ini sama dengan utusan yang memberitahu model itu jika jaring melakukan kesalahan atau tidak segera seperti yang diramalkan.

backpropagation-neural-network

Backpropagation dalam rangkaian saraf adalah mengenai penularan maklumat dan mengaitkan maklumat ini dengan kesalahan yang dihasilkan oleh model semasa tekaan dibuat. Kaedah ini bertujuan untuk mengurangkan kesalahan, yang disebut sebagai fungsi kerugian.

Bagaimana Backpropagation Berfungsi - Algoritma Mudah

Backpropagation dalam pembelajaran mendalam adalah pendekatan standard untuk melatih rangkaian saraf tiruan. Cara kerjanya adalah bahawa - Pada mulanya ketika rangkaian saraf dirancang, nilai rawak diberikan sebagai bobot. Pengguna tidak pasti sama ada nilai berat yang diberikan betul atau sesuai dengan model. Akibatnya, model mengeluarkan nilai yang berbeza dari output yang sebenarnya atau yang diharapkan, yang merupakan nilai kesalahan.

Untuk mendapatkan output yang sesuai dengan ralat minimum, model harus dilatih menggunakan set data atau parameter yang relevan dan memantau kemajuannya setiap kali ia meramalkan. Jaringan saraf mempunyai hubungan dengan kesalahan, oleh itu, setiap kali parameter berubah, kesalahan juga berubah. Backpropagation menggunakan teknik yang dikenali sebagai peraturan delta atau kecerunan penurunan untuk mengubah parameter dalam model.

Gambarajah di atas menunjukkan cara kerja backpropagation dan cara kerjanya diberikan di bawah.

‘X’ pada input yang dicapai dari jalan yang bersambung
‘W’, berat sebenar digunakan untuk memodelkan input. Nilai W diperuntukkan secara rawak
Output untuk setiap neuron dikira melalui penyebaran penerusan - lapisan input, lapisan tersembunyi, dan lapisan output.
Kesalahan dikira pada output menggunakan persamaan Menyebarkan ke belakang sekali lagi melalui output dan lapisan tersembunyi, berat disesuaikan untuk mengurangkan ralat.

Sekali lagi menyebarkan ke hadapan untuk mengira output dan ralat. Sekiranya kesalahan dikurangkan, proses ini akan berakhir, atau menyebarkan ke belakang dan menyesuaikan nilai berat.

Proses ini berulang sehingga ralat berkurang hingga minimum dan output yang diinginkan diperoleh.

Mengapa Kita Perlu Penyebaran Balik?

Ini adalah mekanisme yang digunakan untuk melatih rangkaian saraf yang berkaitan dengan set data tertentu. Sesetengah kelebihan Backpropagation adalah

Ia mudah, cepat dan mudah diprogramkan
Hanya bilangan input yang ditala dan bukan parameter lain
Tidak perlu mempunyai pengetahuan terlebih dahulu mengenai rangkaian
Ia fleksibel
Pendekatan standard dan berfungsi dengan cekap
Ia tidak memerlukan pengguna mempelajari fungsi khas

Jenis Rangkaian Backpropagation

Terdapat dua jenis rangkaian backpropagation. Ia dikategorikan seperti di bawah:

Backpropagation Statik

Static backpropagation adalah salah satu jenis rangkaian yang bertujuan menghasilkan pemetaan input statik untuk output statik. Rangkaian seperti ini mampu menyelesaikan masalah klasifikasi statik seperti pengecaman watak optik (OCR).

Backpropagation Berulang

Backpropagation berulang adalah jenis rangkaian lain yang digunakan dalam pembelajaran titik tetap. Pengaktifan dalam backpropagation berulang disalurkan ke hadapan sehingga mencapai nilai tetap. Berikutan ini, kesalahan dikira dan disebarkan ke belakang. A perisian , NeuroSolutions mempunyai kemampuan untuk melakukan backpropagation berulang.

Perbezaan utama: Backpropagation statik menawarkan pemetaan segera, sementara pemetaan backpropagation berulang tidak segera.

Kekurangan Backpropagation

Kekurangan backpropagation adalah:

Backpropagation mungkin peka terhadap data yang bising dan penyelewengan
Prestasi ini sangat bergantung pada data input
Memerlukan masa yang berlebihan untuk latihan
Keperluan kaedah berasaskan matriks untuk backpropagation dan bukannya mini-batch

Aplikasi Backpropagation

Permohonan adalah

Jaringan saraf dilatih untuk menyebut setiap huruf kata dan ayat
Ia digunakan dalam bidang pengenalan suara
Ia digunakan dalam bidang pengecaman watak dan wajah

Soalan Lazim

1). Mengapa kita memerlukan penyebaran semula dalam rangkaian saraf?

Ini adalah mekanisme yang digunakan untuk melatih rangkaian saraf yang berkaitan dengan set data tertentu

2). Apakah objektif algoritma backpropagation?

Objektif algoritma ini adalah untuk membuat mekanisme latihan untuk rangkaian saraf untuk memastikan bahawa rangkaian dilatih untuk memetakan input ke output yang sesuai.

3). Berapakah kadar pembelajaran dalam rangkaian saraf?

Kadar pembelajaran ditakrifkan dalam konteks pengoptimuman dan meminimumkan fungsi kehilangan rangkaian saraf. Ini merujuk pada kecepatan di mana rangkaian saraf dapat mempelajari data baru dengan mengesampingkan data lama.

“motor aruhan ac fasa tunggal ”

4). Adakah rangkaian saraf adalah algoritma?

Ya. Jaringan saraf adalah rangkaian algoritma pembelajaran atau peraturan yang dirancang untuk mengenal pasti corak.

5). Apakah fungsi pengaktifan dalam rangkaian saraf?

Fungsi pengaktifan rangkaian saraf memutuskan apakah neuron harus diaktifkan / dicetuskan atau tidak berdasarkan jumlah keseluruhan.

Dalam artikel ini, konsep Backpropagation rangkaian neural dijelaskan menggunakan bahasa mudah untuk difahami oleh pembaca. Dalam kaedah ini, rangkaian saraf dilatih dari kesalahan yang dihasilkan untuk menjadi mandiri dan menangani situasi yang rumit. Jaringan saraf mempunyai keupayaan untuk belajar dengan tepat dengan contoh.