एक तंत्रिका नेटवर्क एल्गोरिदम का एक क्रम है जो एक प्रक्रिया के माध्यम से डेटा के एक सेट में बुनियादी संबंधों की पहचान करने का प्रयास करता है जो मानव मस्तिष्क के काम करने के तरीके की नकल करता है। इस दृष्टिकोण में, तंत्रिका नेटवर्क कार्बनिक या कृत्रिम जैसे न्यूरॉन्स की प्रणालियों का प्रतिनिधित्व करते हैं।
तंत्रिका नेटवर्क संज्ञानात्मक प्रणाली और मस्तिष्क की तंत्रिका संबंधी सेवाओं में सीखने की (परिकल्पित) प्रक्रिया के बाद तैयार किए गए विश्लेषणात्मक दृष्टिकोण हैं और वर्तमान से तथाकथित सीखने की प्रक्रिया को निष्पादित करने के बाद अन्य टिप्पणियों से नए अवलोकन (निश्चित चर पर) की भविष्यवाणी करने में सक्षम हैं। जानकारी।
बैक प्रोपेगेशन के निम्नलिखित चरण हैं जो इस प्रकार हैं -
-
नेटवर्क एक प्रशिक्षण उदाहरण प्राप्त करता है और, नेटवर्क में वर्तमान भार का उपयोग करके, यह आउटपुट या आउटपुट की गणना करता है।
-
बैक प्रोपेगेशन परिकलित परिणाम और अपेक्षित (वास्तविक परिणाम) के बीच अंतर बनाकर त्रुटि की गणना करता है।
-
त्रुटि को वेब के माध्यम से वापस फीड किया जाता है और त्रुटि को कम करने के लिए वज़न को संशोधित किया जाता है इसलिए नाम वापस प्रचार क्योंकि त्रुटियों को नेटवर्क के माध्यम से वापस प्रेषित किया जाता है।
बैक प्रोपेगेशन एल्गोरिथम प्रत्येक प्रशिक्षण इंस्टेंस पर बनाए गए मानों की वास्तविक मूल्य से तुलना करके नेटवर्क की पूर्ण त्रुटि की गणना करता है। यह आउटपुट लेयर के वज़न को कम करने के लिए बदल सकता है, लेकिन त्रुटि को दूर नहीं कर सकता है। हालांकि, एल्गोरिथम पूरा नहीं हुआ है।
यह नेटवर्क के पिछले नोड्स के लिए दोष पैदा कर सकता है और उन नोड्स को जोड़ने वाले भार को बदल सकता है, इसके अलावा समग्र त्रुटि को कम कर सकता है। दोष देने के लिए विशिष्ट संरचना आवश्यक नहीं है। यह कहने के लिए पर्याप्त है कि बैक प्रोपेगेशन के लिए एक जटिल संख्यात्मक प्रक्रिया की आवश्यकता होती है जिसके लिए सक्रियण फ़ंक्शन के सीमित डेरिवेटिव लेने की आवश्यकता होती है।
भार को बदलने की इस पद्धति को सामान्यीकृत डेल्टा नियम के रूप में जाना जाता है। सामान्यीकृत डेल्टा नियम का उपयोग करने से संबंधित दो आवश्यक पैरामीटर हैं। पहला संवेग है, जो प्रत्येक इकाई के भीतर भार की उस "दिशा" को बदलने की प्रवृत्ति को परिभाषित करता है जिसमें वे जा रहे हैं।
यही है, प्रत्येक वजन याद रखता है कि क्या यह बड़ा या छोटा प्राप्त कर रहा है, और गति इसे समान दिशा में बनाए रखने का प्रयास करती है। बड़ी गति वाला नेटवर्क नए प्रशिक्षण उदाहरणों के लिए धीरे-धीरे प्रतिक्रिया करता है जो वजन को उलटने के लिए आवश्यक होते हैं। यदि संवेग कम है, तो भार अधिक खुले तौर पर दोलन करने के लिए सक्षम हैं।
सीखने की लागत नियंत्रित करती है कि भार कितनी तेजी से बदलता है। सीखने की लागत के लिए सबसे अच्छा तरीका बड़ी शुरुआत करना और नेटवर्क के प्रशिक्षित होने पर इसे धीरे-धीरे कम करना है। मूल रूप से, वज़न यादृच्छिक होते हैं, इसलिए उच्च दोलन सर्वोत्तम वज़न के आसपास के क्षेत्र में आने के लिए फायदेमंद होते हैं। हालांकि, जैसे-जैसे नेटवर्क इष्टतम समाधान के करीब आता जाता है, सीखने की लागत कम होनी चाहिए ताकि नेटवर्क सामान्य इष्टतम भार को ठीक कर सके।