একটি কৃত্রিম নিউরাল নেটওয়ার্কের একটি পারসেপ্ট্রন মডেলের তুলনায় আরও জটিল প্রক্রিয়া রয়েছে। মাল্টিলেয়ার কৃত্রিম নিউরাল নেটওয়ার্কে বেশ কিছু পদ্ধতি রয়েছে যা নিম্নরূপ −
নেটওয়ার্ক এর ইনপুট এবং আউটপুট স্তরগুলির মধ্যে একাধিক মধ্যস্থতাকারী স্তর অন্তর্ভুক্ত করতে পারে। এই ধরনের মধ্যবর্তী স্তরগুলি লুকানো স্তর হিসাবে পরিচিত এবং এই স্তরগুলিতে ইনস্টল করা নোডগুলি লুকানো নোড হিসাবে পরিচিত। ফলস্বরূপ আর্কিটেকচারকে মাল্টিলেয়ার নিউরাল নেটওয়ার্ক বলা হয়।
একটি ফিড-ফরোয়ার্ড নিউরাল নেটওয়ার্কে, একটি স্তরের নোডগুলি শুধুমাত্র নিম্নলিখিত স্তরের নোডগুলির সাথে সংযুক্ত থাকে। পারসেপ্ট্রন হল একটি একক-স্তর, ফিড-ফরোয়ার্ড নিউরাল নেটওয়ার্ক কারণ এতে নোডের আউটপুট স্তরের মাত্র একটি স্তর রয়েছে যা জটিল সংখ্যাসূচক ক্রিয়াকলাপ প্রয়োগ করে। একটি পুনরাবৃত্ত নিউরাল নেটওয়ার্কে, লিঙ্কগুলি একই স্তরের ভিতরে নোডগুলিকে বা এক স্তর থেকে পূর্বের স্তরগুলিতে নোডগুলিকে সংযুক্ত করতে পারে৷
নেটওয়ার্ক সাইন ফাংশন ছাড়া অন্য সক্রিয়করণ ফাংশন পদ্ধতি ব্যবহার করতে পারে। একাধিক অ্যাক্টিভেশন ফাংশনের উদাহরণ যেমন লিনিয়ার, সিগমায়েড (লজিস্টিক), এবং হাইপারবোলিক ট্যানজেন্ট ফাংশন। এই সক্রিয়করণ ফাংশনগুলি লুকানো এবং আউটপুট নোডগুলিকে আউটপুট মানগুলি তৈরি করতে সক্ষম করে যা তাদের ইনপুট পরামিতিতে অরৈখিক।
এই আরও জটিলতাগুলি ইনপুট এবং আউটপুট ভেরিয়েবলগুলির মধ্যে উচ্চতর জটিল সম্পর্কের মডেল করতে মাল্টিলেয়ার নিউরাল নেটওয়ার্কগুলিকে সক্ষম করে। দৃষ্টান্ত দুটি হাইপারপ্লেন ব্যবহার করে সংজ্ঞায়িত করা যেতে পারে যা ইনপুট স্পেসকে তাদের নির্দিষ্ট শ্রেণীতে ভাগ করে।
এটি একটি ANN মডেলের ওজন বুঝতে পারে, এটির জন্য একটি দক্ষ অ্যালগরিদম প্রয়োজন যা সঠিক সমাধানে একত্রিত হয় যখন একটি সন্তোষজনক প্রশিক্ষণ ডেটা সমর্থিত হয়। একটি পদ্ধতি হল নেটওয়ার্কের প্রতিটি লুকানো নোড বা আউটপুট নোডকে একটি পৃথক পারসেপ্ট্রন ইউনিট হিসাবে বিবেচনা করা এবং সমান ওজন আপডেট সূত্র ব্যবহার করা।
এই পদ্ধতিটি কাজ করবে না কারণ এতে গোপনীয় নোডগুলির সঠিক আউটপুট সম্পর্কে অগ্রাধিকার, জ্ঞানের অভাব থাকতে পারে। এটি ত্রুটি শব্দটি নির্ধারণ করতে জটিল করে তোলে, (y – y ’ ) ), প্রতিটি লুকানো নোডের সাথে সম্পর্কিত। একটি নিউরাল নেটওয়ার্কের ওজন বোঝার জন্য একটি পদ্ধতি গ্রেডিয়েন্ট ডিসেন্ট পদ্ধতির উপর নির্ভর করে পরবর্তীতে দেখানো হয়েছে৷
ANN শেখার অ্যালগরিদমের উদ্দেশ্য হল ওজনের একটি শ্রেণী নির্ধারণ করা যা বর্গক্ষেত্র ত্রুটির মোট যোগফলকে কমিয়ে দেয় -
$$\mathrm{E(w)\:=\:\frac{1}{2}\displaystyle\sum\limits_{i=1}^N (Y_{i}-Y^{'}_i)^2 }$$
বর্গক্ষেত্র ত্রুটির যোগফল w এর উপর ভিত্তি করে কারণ ভবিষ্যদ্বাণী করা ক্লাস y ’ লুকানো এবং আউটপুট নোডগুলিতে তৈরি ওজনের একটি ফাংশন। ক্ষেত্রে, একটি ANN এর আউটপুট তার প্যারামিটারগুলির একটি ননলাইনার ফাংশন কারণ এটির সক্রিয়করণ ফাংশন যেমন সিগমায়েড বা ট্যানহ ফাংশন পছন্দ করে।
