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 på de ligninger, der kræves under processen, synes dette koncept sammen med det komplette neurale netværk temmelig let at forstå.

For dem, der ikke er bekendt med neurale netværk, en ANN, eller blot en NN, der står for "neurale netværk", er en matematisk model, der er mønstret efter visse funktioner i det 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 sammenkoblet kunstigtNeuroner 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 inden for 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 finde ud af problemer, der ikke kan løses ved hjælp af traditionelle beregningsmetoder.

Ideen til et neuralt netværk af backpropagation kom først rundt i år 1969 fra Arbejdet fra Arthur E. Bryson og Yu-Chi Ho. I senere år forfinede andre programmerere og forskere ideen. Fra 1974 blev det neurale netværk i backpropagation blev anerkendt som et innovativt gennembrud i undersøgelsen og oprettelsen af ​​kunstige neurale netværk.

Neural Network Learning er en vigtig TA'erK inden for en ANN, der sikrer, at den fortsat kan behandle data korrekt og derfor udføre sin funktion korrekt. Et neuralt netværk på backpropagation bruger en generaliseret form for delta -reglen for at muliggøre neurale netværkslæring. Dette betyder, at det bruger en lærer, der er i stand til at beregne de ønskede output ud af de bestemte input, der er ført ind i netværket.

Med andre ord lærer et backpropagation neuralt netværk ved et eksempel. Programmereren leverer en læringsmodel, der demonstrerer, hvad den korrekte output ville være, givet et specifikt sæt input. Dette eksempel på input-output er læreren eller modellen, at andre dele af netværket kan mønstre efterfølgende beregninger efter.

Hele processen fortsætter metodisk i målte intervaller. Givet et bestemt sæt input anvender ANN den beregning, der læres af modellen, for at komme med en indledende output. Det sammenligner derefter dette output med den oprindeligt kendte, forventede eller gode output og foretager justerings efter behov. I processen beregnes en fejlværdi. Dette forplantes derefter frem og tilbage gennem det neurale netværk på backpropagation, indtil det bedst mulige output bestemmes.