একটি নিউরাল নেটওয়ার্ক হল অ্যালগরিদমের একটি ক্রম যা একটি প্রক্রিয়ার মাধ্যমে ডেটার সেটে মৌলিক সম্পর্কগুলি সনাক্ত করার চেষ্টা করে যা মানুষের মস্তিষ্কের কাজ করার পদ্ধতিকে অনুকরণ করে। এই পদ্ধতিতে, নিউরাল নেটওয়ার্কগুলি নিউরনের সিস্টেমগুলিকে প্রতিনিধিত্ব করে, যেমন জৈব বা কৃত্রিম৷
নিউরাল নেটওয়ার্ক হল বিশ্লেষণাত্মক পন্থা যা জ্ঞানীয় সিস্টেমে শেখার (অনুমানিত) পদ্ধতি এবং মস্তিষ্কের স্নায়বিক পরিষেবাগুলির পরে তৈরি করা হয় এবং বর্তমান থেকে তথাকথিত শিক্ষার একটি প্রক্রিয়া চালানোর পরে অন্যান্য পর্যবেক্ষণ থেকে নতুন পর্যবেক্ষণ (নির্দিষ্ট পরিবর্তনশীলগুলির উপর) পূর্বাভাস দিতে সক্ষম। তথ্য।
ব্যাক প্রোপাগেশনের নিম্নলিখিত ধাপগুলি রয়েছে যা নিম্নরূপ -
-
নেটওয়ার্ক একটি প্রশিক্ষণের উদাহরণ পায় এবং, নেটওয়ার্কে বর্তমান ওজন ব্যবহার করে, এটি আউটপুট বা আউটপুট গণনা করে।
-
ব্যাক প্রোপাগেশন গণনা করা ফলাফল এবং প্রত্যাশিত (প্রকৃত ফলাফল) মধ্যে পার্থক্য তৈরি করে ত্রুটি গণনা করে।
-
ত্রুটিটি ওয়েবের মাধ্যমে ফেরত দেওয়া হয় এবং ত্রুটিটি কমানোর জন্য ওজনগুলি সংশোধন করা হয় তাই নাম ব্যাক প্রচার কারণ ত্রুটিগুলি আবার নেটওয়ার্কের মাধ্যমে প্রেরণ করা হয়৷
ব্যাক প্রোপাগেশন অ্যালগরিদম প্রতিটি ট্রেনিং ইনস্ট্যান্সে তৈরি করা মানগুলিকে প্রকৃত মানের সাথে তুলনা করে নেটওয়ার্কের সম্পূর্ণ ত্রুটি গণনা করে। এটি আউটপুট স্তরের ওজন কমাতে পরিবর্তন করতে পারে, কিন্তু ত্রুটিটি অপসারণ করতে পারে না। যাইহোক, অ্যালগরিদম সম্পূর্ণ হয়নি।
এটি নেটওয়ার্কের পূর্ববর্তী নোডগুলির জন্য দোষ তৈরি করতে পারে এবং সেই নোডগুলিকে লিঙ্ক করার ওজনগুলিকে পরিবর্তন করতে পারে, তাছাড়া সামগ্রিক ত্রুটি হ্রাস করতে পারে৷ দোষ দেওয়ার জন্য নির্দিষ্ট কাঠামো অপরিহার্য নয়। এটা বলাই যথেষ্ট যে ব্যাক প্রোপাগেশনের জন্য একটি জটিল সংখ্যাগত পদ্ধতির প্রয়োজন যার জন্য অ্যাক্টিভেশন ফাংশনের সীমিত ডেরিভেটিভস নেওয়া প্রয়োজন।
ওজন পরিবর্তনের এই পদ্ধতিগুলিকে সাধারণ ব-দ্বীপ নিয়ম বলা হয়। সাধারণীকৃত ডেল্টা নিয়ম ব্যবহার করার সাথে সম্পর্কিত দুটি অপরিহার্য পরামিতি রয়েছে। প্রথমটি হল ভরবেগ, যা প্রতিটি ইউনিটের মধ্যে ওজনের প্রবণতাকে সংজ্ঞায়িত করে যাতে তারা যে "দিক" এ যাচ্ছে তা রূপান্তরিত করে৷
অর্থাৎ, প্রতিটি ওজন মনে রাখে যে এটি প্রাপ্ত হয়েছে কিনা বড় বা ছোট, এবং ভরবেগ বজায় রাখার চেষ্টা সমান দিকে যাচ্ছে। বৃহৎ ভরবেগ সহ একটি নেটওয়ার্ক নতুন প্রশিক্ষণের দৃষ্টান্তে ধীরে ধীরে সাড়া দেয় যা ওজন বিপরীত করার জন্য প্রয়োজন। যদি গতি কম হয়, তাই ওজনগুলি আরও খোলামেলাভাবে দোলাতে সক্ষম হয়।
শিক্ষার খরচ কত দ্রুত ওজন পরিবর্তন হয় তা নিয়ন্ত্রণ করে৷ শেখার খরচের জন্য সর্বোত্তম পদ্ধতি হল বড় শুরু করা এবং নেটওয়ার্ক প্রশিক্ষিত হওয়ার সাথে সাথে এটি ধীরে ধীরে হ্রাস করা। মূলত, ওজনগুলি এলোমেলো, তাই উচ্চ দোলনগুলি সেরা ওজনের আশেপাশে পেতে উপকারী। যাইহোক, নেটওয়ার্কটি সর্বোত্তম সমাধানের কাছাকাছি আসার সাথে সাথে শেখার খরচ অবশ্যই কমাতে হবে যাতে নেটওয়ার্কটি সাধারণ সর্বোত্তম ওজনের সাথে সূক্ষ্ম-টিউন করতে পারে।
