பெயர் குறிப்பிடுவது போல, பேக்ரோபாகேஷன் என்பது ஒரு வழிமுறை இது வெளியீட்டு முனைகளிலிருந்து உள்ளீட்டு முனைகளுக்கு பிழைகளை பரப்புகிறது. எனவே, இது வெறுமனே 'பிழைகள் பின்தங்கிய பிரச்சாரம்' என்று குறிப்பிடப்படுகிறது. இந்த அணுகுமுறை ஒரு மனித மூளையின் பகுப்பாய்விலிருந்து உருவாக்கப்பட்டது. பேச்சு அங்கீகாரம், எழுத்து அங்கீகாரம், கையொப்ப சரிபார்ப்பு, மனித முகம் அங்கீகாரம் ஆகியவை நரம்பியல் நெட்வொர்க்குகளின் சுவாரஸ்யமான பயன்பாடுகள். நரம்பியல் நெட்வொர்க்குகள் மேற்பார்வையிடப்பட்ட கற்றல் வழியாக செல்கின்றன, பிணையத்தின் வழியாக செல்லும் உள்ளீட்டு திசையன் வெளியீட்டு திசையனை உருவாக்குகிறது. இந்த வெளியீட்டு திசையன் விரும்பிய வெளியீட்டிற்கு எதிராக சரிபார்க்கப்படுகிறது. முடிவு வெளியீட்டு திசையனுடன் பொருந்தவில்லை என்றால், பிழை அறிக்கை உருவாக்கப்படுகிறது. பிழை அறிக்கையின் அடிப்படையில், விரும்பிய வெளியீட்டைப் பெற எடைகள் சரிசெய்யப்படுகின்றன.
செயற்கை நரம்பியல் நெட்வொர்க் என்றால் என்ன?
ஒரு செயற்கை நரம்பியல் வலையமைப்பு திறமையான மற்றும் சக்திவாய்ந்ததாக மாற மேற்பார்வையிடப்பட்ட கற்றல் விதியைப் பயன்படுத்துகிறது. நரம்பியல் நெட்வொர்க்குகளில் உள்ள தகவல்கள் இரண்டு வெவ்வேறு வழிகளில் பாய்கின்றன. முதன்மையாக, மாதிரி பயிற்சியளிக்கப்படும்போது அல்லது கற்றல் மற்றும் மாதிரி பொதுவாக இயங்கும்போது - சோதனைக்கு அல்லது எந்தவொரு பணியையும் செய்யப் பயன்படுகிறது. வெவ்வேறு வடிவங்களில் உள்ள தகவல்கள் உள்ளீட்டு நியூரான்களின் மூலம் மாதிரியில் அளிக்கப்படுகின்றன, மறைக்கப்பட்ட நியூரான்களின் பல அடுக்குகளைத் தூண்டுகின்றன மற்றும் வெளியீட்டு நியூரான்களை அடைகின்றன, இது ஒரு ஃபீட்ஃபோர்டு நெட்வொர்க் என அழைக்கப்படுகிறது.
அனைத்து நியூரான்களும் ஒரே நேரத்தில் தூண்டாததால், இடமிருந்து உள்ளீடுகளைப் பெறும் நியூரான்கள் மறைக்கப்பட்ட அடுக்குகள் வழியாக பயணிக்கும்போது எடையுடன் பெருக்கப்படுகின்றன. இப்போது, ஒவ்வொரு நியூரானிலிருந்து எல்லா உள்ளீடுகளையும் சேர்க்கவும், தொகை ஒரு குறிப்பிட்ட வாசல் அளவைத் தாண்டும்போது, அமைதியாக இருந்த நியூரான்கள் தூண்டப்பட்டு இணைக்கப்படும்.
செயற்கை நரம்பியல் நெட்வொர்க் கற்றுக் கொள்ளும் வழி என்னவென்றால், அது தவறு செய்ததிலிருந்து கற்றுக்கொண்டு சரியானதைச் செய்கிறது, இது பின்னூட்டம் என்று அழைக்கப்படுகிறது. செயற்கை நரம்பியல் நெட்வொர்க்குகள் எது சரி எது தவறு என்பதை அறிய பின்னூட்டத்தைப் பயன்படுத்துகின்றன.
பேக்ரோபாகேஷன் என்றால் என்ன?
வரையறை: பேக்ரோபாகேஷன் என்பது நரம்பியல் நெட்வொர்க்குகள் பயிற்சி பெறும் ஒரு முக்கிய வழிமுறையாகும். முந்தைய மறு செய்கையில் உற்பத்தி செய்யப்படும் பிழை வீதத்தைப் பொறுத்தவரை, இது ஒரு நரம்பியல் வலையமைப்பின் எடையை (இந்த கட்டுரையில் ஒரு மாதிரி என குறிப்பிடப்படுகிறது) நன்றாகக் கட்டுப்படுத்தப் பயன்படும் ஒரு பொறிமுறையாகும். நிகர தவறு செய்திருந்தால் அல்லது அது கணித்தவுடன் இல்லையா என்று ஒரு தூதர் மாதிரியைச் சொல்வதைப் போன்றது.
backpropagation-neural-network
நரம்பியல் நெட்வொர்க்குகளில் பேக்ரோபாகேஷன் என்பது பற்றி பரவும் முறை ஒரு யூகம் செய்யப்பட்டபோது மாதிரியால் உருவாக்கப்பட்ட பிழையுடன் தகவல் மற்றும் இந்த தகவலை தொடர்புபடுத்துதல். இந்த முறை பிழையைக் குறைக்க முயல்கிறது, இது இழப்பு செயல்பாடு என குறிப்பிடப்படுகிறது.
பேக்ரோபாகேஷன் எவ்வாறு செயல்படுகிறது - எளிய வழிமுறை
ஆழ்ந்த கற்றலில் பேக்ரோபாகேஷன் என்பது செயற்கை நரம்பியல் நெட்வொர்க்குகளுக்கு பயிற்சி அளிப்பதற்கான ஒரு நிலையான அணுகுமுறையாகும். இது செயல்படும் முறை என்னவென்றால் - ஆரம்பத்தில் ஒரு நரம்பியல் பிணையம் வடிவமைக்கப்படும்போது, சீரற்ற மதிப்புகள் எடைகளாக ஒதுக்கப்படுகின்றன. ஒதுக்கப்பட்ட எடை மதிப்புகள் சரியானதா அல்லது மாதிரிக்கு பொருந்துமா என்பது பயனருக்குத் தெரியவில்லை. இதன் விளைவாக, மாதிரி உண்மையான அல்லது எதிர்பார்க்கப்பட்ட வெளியீட்டிலிருந்து வேறுபட்ட மதிப்பை வெளியிடுகிறது, இது பிழை மதிப்பாகும்.
குறைந்தபட்ச பிழையுடன் பொருத்தமான வெளியீட்டைப் பெற, மாதிரியானது ஒரு பொருத்தமான தரவுத்தொகுப்பு அல்லது அளவுருக்களில் பயிற்சியளிக்கப்பட வேண்டும் மற்றும் ஒவ்வொரு முறையும் கணிக்கும் போது அதன் முன்னேற்றத்தைக் கண்காணிக்க வேண்டும். நரம்பியல் பிணையம் பிழையுடன் ஒரு உறவைக் கொண்டுள்ளது, இதனால், அளவுருக்கள் மாறும்போதெல்லாம், பிழையும் மாறுகிறது. மாதிரியில் உள்ள அளவுருக்களை மாற்ற டெல்டா விதி அல்லது சாய்வு வம்சாவளி எனப்படும் ஒரு நுட்பத்தை பேக்ரோபாகேஷன் பயன்படுத்துகிறது.
மேலேயுள்ள வரைபடம் பேக்ரோபாகேஷனின் செயல்பாட்டைக் காட்டுகிறது மற்றும் அதன் வேலை கீழே கொடுக்கப்பட்டுள்ளது.
- உள்ளீடுகளில் உள்ள ‘எக்ஸ்’ முன்பே இணைக்கப்பட்ட பாதையிலிருந்து அடையும்
- ‘W’, உள்ளீட்டை மாதிரியாகக் கொள்ள உண்மையான எடைகள் பயன்படுத்தப்படுகின்றன. W இன் மதிப்புகள் தோராயமாக ஒதுக்கப்பட்டுள்ளன
- ஒவ்வொரு நியூரானுக்கான வெளியீடு பகிர்தல் பரப்புதல் மூலம் கணக்கிடப்படுகிறது - உள்ளீட்டு அடுக்கு, மறைக்கப்பட்ட அடுக்கு மற்றும் வெளியீட்டு அடுக்கு.
- சமன்பாட்டைப் பயன்படுத்தி வெளியீடுகளில் பிழை கணக்கிடப்படுகிறது வெளியீடு மற்றும் மறைக்கப்பட்ட அடுக்குகள் மூலம் மீண்டும் பின்னோக்கி பரப்புதல், பிழையைக் குறைக்க எடைகள் சரிசெய்யப்படுகின்றன.
வெளியீடு மற்றும் பிழையைக் கணக்கிட மீண்டும் முன்னோக்கி பிரச்சாரம் செய்யுங்கள். பிழை குறைக்கப்பட்டால், இந்த செயல்முறை முடிவடைகிறது, இல்லையெனில் பின்னோக்கி பிரச்சாரம் செய்து எடையின் மதிப்புகளை சரிசெய்கிறது.
பிழை குறைந்தபட்சம் மற்றும் விரும்பிய வெளியீடு பெறும் வரை இந்த செயல்முறை மீண்டும் நிகழ்கிறது.
எங்களுக்கு ஏன் பேக்ரோபாகேஷன் தேவை?
இது குறிப்பிட்ட தரவுத்தொகுப்பு தொடர்பான நரம்பியல் வலையமைப்பைப் பயிற்றுவிக்கப் பயன்படும் ஒரு பொறிமுறையாகும். அவற்றில் சில Backpropagation இன் நன்மைகள் உள்ளன
- இது எளிமையானது, விரைவானது மற்றும் நிரலுக்கு எளிதானது
- உள்ளீட்டின் எண்கள் மட்டுமே டியூன் செய்யப்படுகின்றன, வேறு எந்த அளவுருவும் இல்லை
- பிணையத்தைப் பற்றி முன் அறிவு இருக்க வேண்டிய அவசியமில்லை
- இது நெகிழ்வானது
- ஒரு நிலையான அணுகுமுறை மற்றும் திறமையாக செயல்படுகிறது
- சிறப்பு செயல்பாடுகளை பயனர் கற்றுக்கொள்ள இது தேவையில்லை
பேக்ரோபாகேஷன் நெட்வொர்க்கின் வகைகள்
இரண்டு வகையான பேக்ரோபாகேஷன் நெட்வொர்க்குகள் உள்ளன. இது கீழே வகைப்படுத்தப்பட்டுள்ளது:
நிலையான பின்னணி
நிலையான பேக்ரோபாகேஷன் என்பது ஒரு வகை பிணையமாகும், இது நிலையான வெளியீட்டிற்கான நிலையான உள்ளீட்டின் வரைபடத்தை உருவாக்குவதை நோக்கமாகக் கொண்டுள்ளது. இந்த வகையான நெட்வொர்க்குகள் ஆப்டிகல் கேரக்டர் ரெக்னிகேஷன் (OCR) போன்ற நிலையான வகைப்பாடு சிக்கல்களை தீர்க்கும் திறன் கொண்டவை.
தொடர்ச்சியான பின்னணி
தொடர்ச்சியான பின்னிணைப்பு என்பது நிலையான-புள்ளி கற்றலில் பயன்படுத்தப்படும் மற்றொரு வகை பிணையமாகும். தொடர்ச்சியான பின்னொளியில் செயல்பாடுகள் ஒரு நிலையான மதிப்பை அடையும் வரை முன்னோக்கி அளிக்கப்படுகின்றன. இதைத் தொடர்ந்து, ஒரு பிழை கணக்கிடப்பட்டு பின்னோக்கி பிரச்சாரம் செய்யப்படுகிறது. அ மென்பொருள் , நியூரோசொலூஷன்ஸ் தொடர்ச்சியான பேக்ரோபாகேஷனைச் செய்யும் திறனைக் கொண்டுள்ளது.
முக்கிய வேறுபாடுகள்: நிலையான பேக்ரோபாகேஷன் உடனடி மேப்பிங்கை வழங்குகிறது, அதே நேரத்தில் தொடர்ச்சியான பேக்ரோபாகேஷன் மேப்பிங் உடனடியாக இல்லை.
பேக்ரோபாகேஷனின் தீமைகள்
முதுகெலும்பின் தீமைகள்:
- பேக்ரோபாகேஷன் சத்தம் தரும் தரவு மற்றும் ஒழுங்கற்ற தன்மைக்கு உணர்திறன்
- இதன் செயல்திறன் உள்ளீட்டு தரவை மிகவும் நம்பியுள்ளது
- பயிற்சிக்கு அதிக நேரம் தேவை
- மினி-பேச்சிற்குப் பதிலாக பேக்ரோபாகேஷனுக்கான மேட்ரிக்ஸ் அடிப்படையிலான முறையின் தேவை
பேக்ரோபாகேஷனின் பயன்பாடுகள்
பயன்பாடுகள்
- ஒரு வார்த்தையின் ஒவ்வொரு எழுத்தையும் ஒரு வாக்கியத்தையும் விவரிக்க நரம்பியல் நெட்வொர்க் பயிற்சி அளிக்கப்படுகிறது
- இது துறையில் பயன்படுத்தப்படுகிறது பேச்சு அங்கீகாரம்
- இது தன்மை மற்றும் முகம் அடையாளம் காணும் துறையில் பயன்படுத்தப்படுகிறது
அடிக்கடி கேட்கப்படும் கேள்விகள்
1). நரம்பியல் நெட்வொர்க்குகளில் நமக்கு ஏன் பேக்ரோபாகேஷன் தேவை?
இது குறிப்பிட்ட தரவுத்தொகுப்பு தொடர்பான நரம்பியல் வலையமைப்பைப் பயிற்றுவிக்கப் பயன்படும் ஒரு பொறிமுறையாகும்
2). பேக்ரோபாகேஷன் அல்காரிதத்தின் நோக்கம் என்ன?
இந்த வழிமுறையின் நோக்கம், நரம்பியல் நெட்வொர்க்குகளுக்கு ஒரு பயிற்சி பொறிமுறையை உருவாக்குவதே, அவற்றின் பொருத்தமான வெளியீடுகளுக்கு உள்ளீடுகளை வரைபட நெட்வொர்க் பயிற்சியளிக்கப்படுவதை உறுதிசெய்கிறது.
3). நரம்பியல் நெட்வொர்க்குகளில் கற்றல் விகிதம் என்ன?
கற்றல் விகிதம் மேம்படுத்தல் மற்றும் ஒரு நரம்பியல் வலையமைப்பின் இழப்பு செயல்பாட்டைக் குறைக்கும் சூழலில் வரையறுக்கப்படுகிறது. இது ஒரு நரம்பியல் நெட்வொர்க் பழைய தரவை மீறுவதன் மூலம் புதிய தரவைக் கற்றுக்கொள்ளக்கூடிய வேகத்தைக் குறிக்கிறது.
4). நரம்பியல் நெட்வொர்க் ஒரு வழிமுறையா?
ஆம். நரம்பியல் நெட்வொர்க்குகள் கற்றல் வழிமுறைகள் அல்லது வடிவங்களை அடையாளம் காண வடிவமைக்கப்பட்ட விதிகளின் தொடர்.
5). நரம்பியல் வலையமைப்பில் செயல்படுத்தும் செயல்பாடு என்ன?
ஒரு நரம்பியல் வலையமைப்பின் செயல்படுத்தும் செயல்பாடு, நியூரானை செயல்படுத்த வேண்டுமா / தூண்ட வேண்டுமா அல்லது மொத்த தொகையின் அடிப்படையில் இல்லையா என்பதை தீர்மானிக்கிறது.
இந்த கட்டுரையில், பேக்ரோபாகேஷன் கருத்து ஒரு நரம்பியல் நெட்வொர்க்குகள் ஒரு வாசகருக்குப் புரிய எளிய மொழியைப் பயன்படுத்தி விளக்கப்பட்டுள்ளன. இந்த முறையில், நரம்பியல் நெட்வொர்க்குகள் உருவாக்கப்படும் பிழைகளிலிருந்து தன்னிறைவு அடைவதற்கும் சிக்கலான சூழ்நிலைகளைக் கையாளுவதற்கும் பயிற்சியளிக்கப்படுகின்றன. நரம்பியல் நெட்வொர்க்குகள் ஒரு எடுத்துக்காட்டுடன் துல்லியமாகக் கற்றுக்கொள்ளும் திறனைக் கொண்டுள்ளன.
