Hvad er et backpropagation neuralt netværk?

I en verden af ​​programmering, computere og kunstig intelligens er et backpropagation-neuralt netværk simpelthen et slags kunstigt neuralt netværk (ANN), der bruger backpropagation. Backpropagation er en grundlæggende og er en almindeligt anvendt algoritme, der instruerer en ANN, hvordan man udfører en given opgave. Selvom dette koncept kan virke forvirrende, og efter at have set de ligninger, der kræves under processen, synes helt fremmed, er dette koncept sammen med det komplette neurale netværk ret let at forstå.

For dem, der ikke kender neurale netværk, er et ANN eller blot et NN, der står for ”neuralt netværk,” en matematisk model, der er mønsteret efter visse træk i virkelige neurale netværk, som dem, der findes i levende ting. Den menneskelige hjerne er det ultimative neurale netværk, hvis funktion giver nogle ledetråde til, hvordan man forbedrer strukturen og driften af ​​kunstige NN'er. Som en mest rudimentær hjerne har et ANN et netværk af sammenkoblede kunstige neuroner, der behandler information.

Det, der er fascinerende ved det, er, at en ANN kan tilpasse og ændre dens struktur, når det er nødvendigt, i henhold til de oplysninger, den modtager fra miljøet og fra netværket. Det er en sofistikeret beregningsmodel, der bruger ikke-lineær statistisk dataanalyse og er i stand til at fortolke komplekse forhold mellem data såsom input og output. Det kan løse problemer, der ikke kan løses ved hjælp af traditionelle beregningsmetoder.

Ideen til et backpropagationsnervalt netværk kom først i år 1969 fra værket af Arthur E. Bryson og Yu-Chi Ho. I senere år raffinerede andre programmerere og videnskabsmænd ideen. Fra og med 1974 blev backpropagationens neurale netværk anerkendt som et innovativt gennembrud i studiet og oprettelsen af ​​kunstige neurale netværk.

Neural netværksindlæring er en vigtig opgave inden for et ANN, der sikrer, at det fortsat er i stand til at behandle data korrekt og derfor udfører sin funktion korrekt. Et backpropagationsneuralt netværk bruger en generaliseret form af delta-reglen for at muliggøre neurale netværksindlæring. Dette betyder, at den bruger en lærer, der er i stand til at beregne de ønskede output ud af de bestemte input, der indføres i netværket.

Med andre ord lærer et backpropagationsnervalt netværk ved hjælp af et eksempel. Programmereren leverer en indlæringsmodel, der viser, hvad det rigtige output ville være, givet et specifikt sæt input. Dette input-output-eksempel er læreren eller modellen, som andre dele af netværket kan mønstre efterfølgende beregninger efter.

Hele processen forløber metodisk i målte intervaller. Givet et bestemt sæt input, ANN anvender beregningen, der er lært af modellen, for at komme med en indledende output. Derefter sammenligner den denne output med den oprindeligt kendte, forventede eller gode output og foretager justeringer efter behov. I processen beregnes en fejlværdi. Dette forplantes derefter frem og tilbage gennem det neurale netværks backpropagation, indtil den bedst mulige output er bestemt.