Backpropagation तंत्रिका नेटवर्क क्या है: प्रकार और इसके अनुप्रयोग

जैसा कि नाम से ही स्पष्ट है, बैकप्रोपैजेशन एक है कलन विधि आउटपुट नोड्स से इनपुट नोड्स की त्रुटियों को वापस प्रचारित करता है। इसलिए, इसे केवल 'त्रुटियों के पिछड़े प्रसार' के रूप में जाना जाता है। यह दृष्टिकोण मानव मस्तिष्क के विश्लेषण से विकसित किया गया था। भाषण मान्यता, चरित्र पहचान, हस्ताक्षर सत्यापन, मानव-चेहरा मान्यता तंत्रिका नेटवर्क के कुछ दिलचस्प अनुप्रयोग हैं। तंत्रिका नेटवर्क पर्यवेक्षित शिक्षण से गुजरते हैं, नेटवर्क से गुजरने वाले इनपुट वेक्टर आउटपुट वेक्टर का उत्पादन करते हैं। यह आउटपुट वेक्टर वांछित आउटपुट के खिलाफ सत्यापित है। यदि परिणाम आउटपुट वेक्टर से मेल नहीं खाता है, तो एक त्रुटि रिपोर्ट उत्पन्न होती है। त्रुटि रिपोर्ट के आधार पर, वांछित आउटपुट प्राप्त करने के लिए वज़न समायोजित किया जाता है।

एक कृत्रिम तंत्रिका नेटवर्क क्या है?

एक कृत्रिम तंत्रिका नेटवर्क कुशल और शक्तिशाली बनने के लिए पर्यवेक्षित शिक्षण नियम का उपयोग करता है। तंत्रिका नेटवर्क में जानकारी दो अलग-अलग तरीकों से बहती है। मुख्य रूप से, जब मॉडल को प्रशिक्षित किया जा रहा है या सीखने और जब मॉडल सामान्य रूप से संचालित होता है - या तो परीक्षण के लिए या किसी भी कार्य को करने के लिए उपयोग किया जाता है। विभिन्न रूपों में जानकारी को इनपुट न्यूरॉन्स के माध्यम से मॉडल में खिलाया जाता है, छिपे हुए न्यूरॉन्स की कई परतों को ट्रिगर किया जाता है और आउटपुट न्यूरॉन्स तक पहुंचता है, जिसे फीडफोवर्ड नेटवर्क के रूप में जाना जाता है।

जैसा कि सभी न्यूरॉन्स एक ही समय में ट्रिगर नहीं करते हैं, बाईं ओर से इनपुट प्राप्त करने वाले न्यूरॉन्स को वज़न के साथ गुणा किया जाता है क्योंकि वे छिपी हुई परतों के माध्यम से यात्रा करते हैं। अब, प्रत्येक न्यूरॉन से सभी इनपुट जोड़ें और जब राशि एक निश्चित सीमा से अधिक हो जाती है, तो जो न्यूरॉन चुप रहे थे, वे ट्रिगर हो जाएंगे और कनेक्ट हो जाएंगे।

आर्टिफिशियल न्यूरल नेटवर्क जिस तरह से सीखता है, वह यह सीखता है कि उसने क्या गलत किया है और वह सही करता है, और इसे प्रतिक्रिया के रूप में जाना जाता है। आर्टिफिशियल न्यूरल नेटवर्क फीडबैक का उपयोग यह जानने के लिए करते हैं कि सही और गलत क्या है।

Backpropagation क्या है?

परिभाषा: Backpropagation एक आवश्यक तंत्र है जिसके द्वारा तंत्रिका नेटवर्क प्रशिक्षित हो जाते हैं। यह एक तंत्र है जिसका उपयोग तंत्रिका नेटवर्क के वजन को ठीक करने के लिए किया जाता है (अन्यथा इस लेख में एक मॉडल के रूप में संदर्भित) जो पिछले पुनरावृत्ति में उत्पादित त्रुटि दर के संबंध में है। यह एक संदेशवाहक के समान है जो यह बताता है कि नेट ने गलती की है या नहीं जैसे ही उसने भविष्यवाणी की थी।

backpropagation-neural-network

तंत्रिका नेटवर्क में Backpropagation के बारे में है हस्तांतरण अनुमान लगाए जाने पर मॉडल द्वारा उत्पन्न त्रुटि के बारे में जानकारी और इस जानकारी को संबंधित करना। यह विधि त्रुटि को कम करने का प्रयास करती है, जिसे अन्यथा हानि फ़ंक्शन के रूप में जाना जाता है।

कैसे Backpropagation काम करता है - सरल एल्गोरिथम

डीप लर्निंग में बैकप्रॉपैगैनेशन कृत्रिम तंत्रिका नेटवर्क के प्रशिक्षण के लिए एक मानक दृष्टिकोण है। जिस तरह से यह काम करता है वह है - शुरू में जब एक तंत्रिका नेटवर्क डिज़ाइन किया जाता है, तो यादृच्छिक मानों को भार के रूप में सौंपा जाता है। उपयोगकर्ता को यह सुनिश्चित नहीं है कि निर्धारित वजन मान सही है या मॉडल फिट है। नतीजतन, मॉडल उस मूल्य को आउटपुट करता है जो वास्तविक या अपेक्षित आउटपुट से भिन्न होता है, जो एक त्रुटि मूल्य है।

न्यूनतम त्रुटि के साथ उपयुक्त आउटपुट प्राप्त करने के लिए, मॉडल को एक स्थायी डेटासेट या मापदंडों पर प्रशिक्षित किया जाना चाहिए और हर बार इसकी प्रगति की निगरानी करें। तंत्रिका नेटवर्क का त्रुटि के साथ एक संबंध है, इस प्रकार, जब भी पैरामीटर बदलते हैं, तो त्रुटि भी बदल जाती है। Backpropagation मॉडल में मापदंडों को बदलने के लिए डेल्टा नियम या ढाल वंश के रूप में जानी जाने वाली तकनीक का उपयोग करता है।

उपरोक्त आरेख backpropagation के कार्य को दर्शाता है और इसका कार्य नीचे दिया गया है।

• इनपुट पर 'X' पूर्वनिर्मित मार्ग से पहुंचता है
• 'W', वास्तविक वज़न का उपयोग इनपुट को मॉडल करने के लिए किया जाता है। डब्ल्यू के मूल्यों को बेतरतीब ढंग से आवंटित किया गया है
• प्रत्येक न्यूरॉन के लिए आउटपुट की गणना अग्रेषण प्रसार के माध्यम से की जाती है - इनपुट परत, छिपी परत और आउटपुट परत।
• त्रुटि को आउटपुट में छिपाकर आउटपुट का उपयोग करके गणना की जाती है, फिर से आउटपुट और छिपी हुई परतों के माध्यम से पीछे की ओर फैलाया जाता है, त्रुटि को कम करने के लिए वजन समायोजित किया जाता है।

फिर से उत्पादन और त्रुटि की गणना करने के लिए आगे प्रचार करें। यदि त्रुटि कम हो जाती है, तो यह प्रक्रिया समाप्त हो जाती है, या फिर पिछड़े का प्रचार करता है और वजन के मूल्यों को समायोजित करता है।

यह प्रक्रिया तब तक दोहराती है जब तक कि त्रुटि न्यूनतम और वांछित आउटपुट प्राप्त न हो जाए।

हमें बैकप्रॉपैगैशन की आवश्यकता क्यों है?

यह एक तंत्र है जिसका उपयोग विशेष नेटवर्क से संबंधित तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए किया जाता है। कुछ के Backpropagation के फायदे कर रहे हैं

• यह सरल, तेज और प्रोग्राम करने में आसान है
• इनपुट के केवल नंबर ट्यून किए गए हैं और कोई अन्य पैरामीटर नहीं है
• नेटवर्क के बारे में पूर्व ज्ञान रखने की आवश्यकता नहीं है
• यह लचीला है
• एक मानक दृष्टिकोण और कुशलता से काम करता है
• इसके लिए उपयोगकर्ता को विशेष कार्यों को सीखने की आवश्यकता नहीं होती है

Backpropagation Network के प्रकार

बैकप्रॉपैजेशन नेटवर्क दो प्रकार के होते हैं। इसे नीचे के रूप में वर्गीकृत किया गया है:

स्थैतिक Backpropagation

स्टेटिक बैकप्रोपेगेशन एक प्रकार का नेटवर्क है जिसका उद्देश्य स्थैतिक आउटपुट के लिए स्थैतिक इनपुट की मैपिंग करना है। इस प्रकार के नेटवर्क ऑप्टिकल कैरेक्टर रिकग्निशन (OCR) जैसी स्थिर वर्गीकरण समस्याओं को हल करने में सक्षम हैं।

आवर्तक Backpropagation

आवर्तक बैकप्रोपैजेशन एक अन्य प्रकार का नेटवर्क है जो फिक्स्ड-पॉइंट लर्निंग में नियोजित होता है। जब तक यह निश्चित मूल्य प्राप्त नहीं करता, तब तक बार-बार होने वाले बैकप्रॉपैगैनेशन में सक्रियता को आगे बढ़ाया जाता है। इसके बाद, एक त्रुटि की गणना की जाती है और पिछड़े प्रचारित किया जाता है। ए सॉफ्टवेयर , NeuroSolutions में पुनरावर्ती बैकप्रोपैजेशन करने की क्षमता है।

मुख्य अंतर: स्थैतिक बैकप्रॉपैगैनेशन तत्काल मानचित्रण प्रदान करता है, जबकि आवर्तक बैकप्रॉपैगैनेशन मैपिंग तत्काल नहीं है।

Backpropagation के नुकसान

Backpropagation के नुकसान हैं:

• Backpropagation संभवतः शोर डेटा और अनियमितता के प्रति संवेदनशील हो
• इस का प्रदर्शन इनपुट डेटा पर अत्यधिक निर्भर है
• प्रशिक्षण के लिए अत्यधिक समय चाहिए
• मिनी-बैच के बजाय बैकप्रोपेगेशन के लिए मैट्रिक्स-आधारित पद्धति की आवश्यकता

Backpropagation के अनुप्रयोग

अनुप्रयोग हैं

• तंत्रिका नेटवर्क को एक शब्द और एक वाक्य के प्रत्येक अक्षर को बधाई देने के लिए प्रशिक्षित किया जाता है
• के क्षेत्र में इसका उपयोग किया जाता है वाक् पहचान
• इसका उपयोग चरित्र और चेहरे की पहचान के क्षेत्र में किया जाता है

पूछे जाने वाले प्रश्न

1)। हमें तंत्रिका नेटवर्क में बैकप्रोपैजेशन की आवश्यकता क्यों है?

यह एक तंत्र है जिसका उपयोग विशेष नेटवर्क से संबंधित तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए किया जाता है

२)। Backpropagation एल्गोरिथ्म का उद्देश्य क्या है?

इस एल्गोरिथ्म का उद्देश्य तंत्रिका नेटवर्क के लिए एक प्रशिक्षण तंत्र बनाना है ताकि यह सुनिश्चित किया जा सके कि नेटवर्क को उनके उपयुक्त आउटपुट के इनपुट्स को मैप करने के लिए प्रशिक्षित किया गया है।

३)। तंत्रिका नेटवर्क में सीखने की दर क्या है?

सीखने की दर को अनुकूलन के संदर्भ में परिभाषित किया गया है और एक तंत्रिका नेटवर्क के नुकसान फ़ंक्शन को कम से कम किया गया है। यह उस गति को संदर्भित करता है जिस पर एक तंत्रिका नेटवर्क पुराने डेटा को ओवरराइड करके नया डेटा सीख सकता है।

4)। तंत्रिका नेटवर्क एक एल्गोरिथ्म है?

हाँ। तंत्रिका नेटवर्क सीखने के एल्गोरिदम या नियमों की एक श्रृंखला है जो पैटर्न की पहचान करने के लिए डिज़ाइन किए गए हैं।

5)। तंत्रिका नेटवर्क में सक्रियण कार्य क्या है?

एक न्यूरल नेटवर्क का सक्रियण कार्य यह तय करता है कि न्यूरॉन को कुल योग के आधार पर सक्रिय / ट्रिगर किया जाना चाहिए या नहीं।

इस आलेख में, Backpropagation की अवधारणा तंत्रिका नेटवर्क को समझने के लिए पाठक के लिए सरल भाषा का उपयोग करके समझाया जाता है। इस पद्धति में, तंत्रिका नेटवर्क को आत्मनिर्भर बनने और जटिल परिस्थितियों को संभालने के लिए उत्पन्न त्रुटियों से प्रशिक्षित किया जाता है। तंत्रिका नेटवर्क में एक उदाहरण के साथ सटीक रूप से सीखने की क्षमता है।