كما يوحي الاسم ، فإن backpropagation هو ملف الخوارزمية يقوم هذا الخلف بنشر الأخطاء من عقد الإخراج إلى عقد الإدخال. لذلك ، يشار إليه ببساطة باسم 'الانتشار العكسي للأخطاء'. تم تطوير هذا النهج من تحليل الدماغ البشري. التعرف على الكلام ، والتعرف على الأحرف ، والتحقق من التوقيع ، والتعرف على وجه الإنسان هي بعض التطبيقات المثيرة للاهتمام للشبكات العصبية. تمر الشبكات العصبية بالتعلم الخاضع للإشراف ، وينتج ناقل الإدخال الذي يمر عبر الشبكة ناقل الإخراج. يتم التحقق من متجه الإخراج هذا مقابل الإخراج المطلوب. إذا كانت النتيجة لا تتطابق مع متجه الإخراج ، يتم إنشاء تقرير خطأ. بناءً على تقرير الخطأ ، يتم تعديل الأوزان للحصول على المخرجات المطلوبة.
ما هي الشبكة العصبية الاصطناعية؟
ان شبكة اعصاب صناعية توظف قاعدة التعلم الخاضعة للإشراف لتصبح فعالة وقوية. تتدفق المعلومات في الشبكات العصبية بطريقتين مختلفتين. بشكل أساسي ، عندما يتم تدريب النموذج أو تعلمه وعندما يعمل النموذج بشكل طبيعي - إما للاختبار أو استخدامه لأداء أي مهمة. يتم إدخال المعلومات في أشكال مختلفة في النموذج من خلال الخلايا العصبية المدخلة ، مما يؤدي إلى إطلاق عدة طبقات من الخلايا العصبية المخفية والوصول إلى الخلايا العصبية الناتجة ، والتي تُعرف باسم شبكة التغذية الأمامية.
نظرًا لأن جميع الخلايا العصبية لا تنطلق في نفس الوقت ، فإن الخلايا العصبية التي تتلقى المدخلات من اليسار تتضاعف مع الأوزان أثناء انتقالها عبر الطبقات المخفية. الآن ، اجمع جميع المدخلات من كل خلية عصبية وعندما يتجاوز المجموع مستوى عتبة معين ، فإن الخلايا العصبية التي بقيت صامتة ستطلق وتتصل.
الطريقة التي تتعلم بها الشبكة العصبية الاصطناعية هي أنها تتعلم مما فعلته بشكل خاطئ وتقوم بالشيء الصحيح ، وهذا ما يُعرف باسم التغذية الراجعة. تستخدم الشبكات العصبية الاصطناعية التغذية الراجعة لمعرفة الصواب والخطأ.
ما هو Backpropagation؟
تعريف: Backpropagation هو آلية أساسية يتم من خلالها تدريب الشبكات العصبية. إنها آلية مستخدمة لضبط أوزان الشبكة العصبية (يشار إليها كنموذج في هذه المقالة) فيما يتعلق بمعدل الخطأ الناتج في التكرار السابق. إنه مشابه لرسول يخبر النموذج إذا ارتكبت الشبكة خطأ أم لا بمجرد توقعها.
backpropagation- الشبكة العصبية
Backpropagation في الشبكات العصبية هو حول انتقال المعلومات وربط هذه المعلومات بالخطأ الناتج عن النموذج عند إجراء التخمين. تسعى هذه الطريقة إلى تقليل الخطأ ، والذي يشار إليه بخلاف ذلك باسم وظيفة الخسارة.
كيف يعمل Backpropagation - خوارزمية بسيطة
Backpropagation في التعلم العميق هو نهج قياسي لتدريب الشبكات العصبية الاصطناعية. الطريقة التي تعمل بها هي أنه - في البداية عند تصميم شبكة عصبية ، يتم تعيين قيم عشوائية كأوزان. المستخدم غير متأكد مما إذا كانت قيم الوزن المعينة صحيحة أو تناسب النموذج. نتيجة لذلك ، يُخرج النموذج القيمة التي تختلف عن المخرجات الفعلية أو المتوقعة ، وهي قيمة خطأ.
للحصول على المخرجات المناسبة بأقل قدر من الخطأ ، يجب تدريب النموذج على مجموعة بيانات أو معلمات ذات صلة ومراقبة تقدمه في كل مرة يتنبأ فيها. الشبكة العصبية لها علاقة بالخطأ ، وبالتالي ، كلما تغيرت المعلمات ، يتغير الخطأ أيضًا. يستخدم backpropagation تقنية تعرف باسم قاعدة دلتا أو نزول التدرج لتغيير المعلمات في النموذج.
يوضح الرسم البياني أعلاه عمل backpropagation وعمله موضح أدناه.
- 'X' عند المدخلات تصل من المسار المتصل مسبقًا
- 'W' ، يتم استخدام الأوزان الحقيقية لنمذجة المدخلات. يتم تخصيص قيم W بشكل عشوائي
- يتم حساب الإخراج لكل خلية عصبية من خلال إعادة التوجيه - طبقة الإدخال والطبقة المخفية وطبقة الإخراج.
- يتم حساب الخطأ عند النواتج باستخدام معادلة الانتشار للخلف مرة أخرى من خلال طبقات الإخراج والمخفية ، ويتم ضبط الأوزان لتقليل الخطأ.
نشر مرة أخرى إلى الأمام لحساب الإخراج والخطأ. إذا تم تقليل الخطأ إلى الحد الأدنى ، تنتهي هذه العملية ، أو تنتشر للخلف وتقوم بضبط قيم الوزن.
تتكرر هذه العملية حتى يقل الخطأ إلى الحد الأدنى ويتم الحصول على المخرجات المرغوبة.
لماذا نحتاج إلى التكاثر العكسي؟
هذه آلية تستخدم لتدريب الشبكة العصبية المتعلقة بمجموعة البيانات الخاصة. قليلا من ال مزايا Backpropagation نكون
- إنه بسيط وسريع وسهل البرمجة
- يتم ضبط أرقام المدخلات فقط وليس أي معلمة أخرى
- لا حاجة إلى معرفة مسبقة عن الشبكة
- إنه مرن
- نهج قياسي ويعمل بكفاءة
- لا يتطلب من المستخدم تعلم وظائف خاصة
أنواع شبكة الانتشار العكسي
هناك نوعان من شبكات backpropagation. يتم تصنيفها على النحو التالي:
Backpropagation ثابت
الانتشار العكسي الثابت هو أحد أنواع الشبكات التي تهدف إلى إنتاج مخطط لمدخل ثابت للإخراج الثابت. هذه الأنواع من الشبكات قادرة على حل مشاكل التصنيف الثابت مثل التعرف الضوئي على الحروف (OCR).
عودة الانتشار المتكرر
إعادة الانتشار المتكرر هو نوع آخر من الشبكات المستخدمة في التعلم بنقطة ثابتة. يتم تغذية عمليات التفعيل في الانتشار العكسي المتكرر إلى الأمام حتى تصل إلى قيمة ثابتة. بعد ذلك ، يتم حساب الخطأ ونشره للخلف. أ البرمجيات ، NeuroSolutions لديه القدرة على أداء backpropagation المتكرر.
الاختلافات الرئيسية: توفر خاصية backpropagation الثابت تعيينًا فوريًا ، في حين أن تعيين الانتشار العكسي المتكرر ليس فوريًا.
مساوئ التكاثر العكسي
مساوئ التكاثر العكسي هي:
- قد يكون الانتشار العكسي حساسًا للبيانات الصاخبة وعدم الانتظام
- أداء هذا يعتمد بشكل كبير على بيانات الإدخال
- يحتاج إلى وقت طويل للتدريب
- الحاجة إلى أسلوب قائم على المصفوفة للتوزيع العكسي بدلاً من الدُفعة المصغرة
تطبيقات Backpropagation
التطبيقات
- يتم تدريب الشبكة العصبية على نطق كل حرف من كلمة وجملة
- يتم استخدامه في مجال التعرف على الكلام
- يتم استخدامه في مجال الشخصية والتعرف على الوجوه
أسئلة وأجوبة
1). لماذا نحتاج backpropagation في الشبكات العصبية؟
هذه آلية تستخدم لتدريب الشبكة العصبية المتعلقة بمجموعة البيانات الخاصة
2). ما هو الهدف من خوارزمية backpropagation؟
الهدف من هذه الخوارزمية هو إنشاء آلية تدريب للشبكات العصبية لضمان تدريب الشبكة على تعيين المدخلات لمخرجاتها المناسبة.
3). ما هو معدل التعلم في الشبكات العصبية؟
يتم تحديد معدل التعلم في سياق التحسين وتقليل وظيفة الخسارة للشبكة العصبية. يشير إلى السرعة التي يمكن للشبكة العصبية أن تتعلم بها بيانات جديدة عن طريق تجاوز البيانات القديمة.
4). هل الشبكة العصبية خوارزمية؟
نعم. الشبكات العصبية عبارة عن سلسلة من خوارزميات التعلم أو القواعد المصممة لتحديد الأنماط.
5). ما هي وظيفة التنشيط في الشبكة العصبية؟
تقرر وظيفة التنشيط للشبكة العصبية ما إذا كان يجب تنشيط / تنشيط الخلية العصبية أم لا بناءً على المجموع الكلي.
في هذه المقالة ، مفهوم Backpropagation يتم شرح الشبكات العصبية باستخدام لغة بسيطة حتى يفهمها القارئ. في هذه الطريقة ، يتم تدريب الشبكات العصبية من الأخطاء الناتجة لتصبح مكتفية ذاتيًا وتتعامل مع المواقف المعقدة. الشبكات العصبية لديها القدرة على التعلم بدقة من خلال مثال.
