Vad är ett backpropagation neuralt nätverk?
I världen av programmering, datorer och konstgjord intelligens är ett backpropagationsneurala nätverk helt enkelt ett slags konstgjordt neuralt nätverk (ANN) som använder backpropagation. Backpropagation är en grundläggande och är en vanlig algoritm som instruerar en ANN hur man utför en given uppgift. Även om detta koncept kan verka förvirrande, och efter att ha sett 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, är ett ANN, eller helt enkelt ett NN som står för ”neuralt nätverk”, 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. Som en mest rudimentär hjärna har ett ANN ett nätverk av sammankopplade konstgjorda neuroner som bearbetar information.
Det som är fascinerande med det är att ett ANN kan anpassa och ändra sin struktur vid behov, beroende på 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 förhållanden mellan data som in- och utgångar. Det kan lösa problem som inte kan lösas med traditionella beräkningsmetoder.
Idén till ett backpropagation neurala nätverk kom först år 1969 från arbetet av Arthur E. Bryson och Yu-Chi Ho. På senare år förfinade andra programmerare och forskare idén. Från och med 1974 kom backpropagationens neurala nätverk att erkännas som ett innovativt genombrott i studien och skapandet av konstgjorda neurala nätverk.
Neural nätverksinlärning är en viktig uppgift inom ett ANN som säkerställer att det fortsätter att kunna bearbeta data korrekt och därför utföra sin funktion på rätt sätt. Ett backpropagationsneuralnätverk använder en generaliserad form av delta-regeln för att möjliggöra neuralt nätverksinlärning. Detta innebär att den använder en lärare som kan beräkna de önskade utgångarna från vissa ingångar som matas in i nätverket.
Med andra ord, ett backpropagation neuralt nätverk lär sig genom exempel. Programmeraren tillhandahåller en inlärningsmodell som visar vad rätt utdata skulle vara, med tanke på en specifik uppsättning ingångar. Detta input-output-exempel är läraren eller modellen som andra delar av nätverket kan mönstra efterföljande beräkningar efter.
Hela processen fortskrider metodiskt i uppmätta intervaller. Med tanke på en bestämd uppsättning ingångar tillämpar ANN den beräkning som lärt sig från modellen för att komma med en initial utgång. Därefter jämförs denna utgång med den ursprungligen kända, förväntade eller goda utgången och gör justeringar efter behov. I processen beräknas ett felvärde. Detta sprids sedan fram och tillbaka genom backpropagationens nervnätverk tills bästa möjliga utgång bestäms.