جیسا کہ نام سے ظاہر ہوتا ہے ، بیک اسپروج ایک ہے الگورتھم یہ واپس آؤٹ پٹ نوڈس سے ان پٹ نوڈس تک غلطیوں کو پھیلاتا ہے۔ لہذا ، اسے صرف 'غلطیوں کا پسماندہ پھیلاؤ' کہا جاتا ہے۔ یہ نقطہ نظر انسانی دماغ کے تجزیے سے تیار کیا گیا تھا۔ تقریر کی شناخت ، کردار کی پہچان ، دستخطی کی توثیق ، انسانی چہرے کی شناخت اعصابی نیٹ ورک کی کچھ دلچسپ ایپلی کیشنز ہیں۔ عصبی نیٹ ورک زیر نگرانی سیکھنے میں گزرتے ہیں ، نیٹ ورک سے گزرنے والا ان پٹ ویکٹر آؤٹ پٹ ویکٹر پیدا کرتا ہے۔ یہ آؤٹ پٹ ویکٹر مطلوبہ آؤٹ پٹ کے خلاف تصدیق شدہ ہے۔ اگر نتیجہ آؤٹ پٹ ویکٹر سے میل نہیں کھاتا ہے تو ، ایک غلطی کی رپورٹ تیار کی جاتی ہے۔ غلطی کی اطلاع کی بنیاد پر ، مطلوبہ آؤٹ پٹ حاصل کرنے کے ل we وزن کو ایڈجسٹ کیا جاتا ہے۔
مصنوعی اعصابی نیٹ ورک کیا ہے؟
ایک مصنوعی اعصابی نیٹ ورک موثر اور طاقتور بننے کے لئے زیر نگرانی سیکھنے کے اصول کو ملازمت دیتی ہے۔ عصبی نیٹ ورک میں موجود معلومات دو مختلف طریقوں سے بہتی ہیں۔ بنیادی طور پر ، جب ماڈل تربیت یا سیکھا جارہا ہو اور جب ماڈل عام طور پر کام کرتا ہو - یا تو جانچ کے لئے ہو یا کوئی کام انجام دینے کے لئے استعمال کیا جائے۔ ان پٹ نیوران کے ذریعہ مختلف شکلوں میں موجود معلومات کو ماڈل میں کھلایا جاتا ہے ، جس سے پوشیدہ نیوران کی کئی پرتیں متحرک ہوتی ہیں اور آؤٹ پٹ نیورون تک پہنچ جاتی ہیں ، جسے فیڈفورورڈ نیٹ ورک کے نام سے جانا جاتا ہے۔
چونکہ تمام نیوران ایک ہی وقت میں متحرک نہیں ہوتے ہیں ، کیونکہ نیوران جو بائیں سے آدانیں وصول کرتے ہیں وہ وزن کے ساتھ کئی گنا بڑھ جاتے ہیں جب وہ پوشیدہ تہوں سے سفر کرتے ہیں۔ اب ، ہر نیوران سے تمام آدانوں کو شامل کریں اور جب یہ رقم ایک خاص حد سے بڑھ جائے تو ، نیوران جو خاموش رہے تھے وہ متحرک ہوجائیں گے اور آپس میں جڑ جائیں گے۔
مصنوعی اعصابی نیٹ ورک جس طرح سیکھتا ہے وہ یہ ہے کہ وہ اس سے سیکھتا ہے جس نے غلط کیا تھا اور صحیح کیا ہے ، اور اس کو رائے کے طور پر جانا جاتا ہے۔ مصنوعی اعصابی نیٹ ورک یہ جاننے کے لئے آراء کا استعمال کرتے ہیں کہ کیا صحیح اور غلط ہے۔
Backpropagation کیا ہے؟
تعریف: بیک پروپیگیشن ایک لازمی طریقہ کار ہے جس کے ذریعے اعصابی نیٹ ورک کی تربیت حاصل ہوتی ہے۔ یہ ایک ایسا طریقہ کار ہے جو پچھلی تکرار میں پیدا ہونے والی خرابی کی شرح کے سلسلے میں عصبی نیٹ ورک کے وزن (دوسری صورت میں اس مضمون میں ایک ماڈل کے طور پر بھی جانا جاتا ہے) کو ٹھیک کرنے کے لئے استعمال ہوتا ہے۔ یہ ایک میسنجر کی طرح ہی ہے جس نے ماڈل کو بتایا کہ نیٹ نے غلطی کی ہے یا نہیں جیسے ہی اس کی پیش گوئی کی گئی ہے۔
backpropagation - عصبی نیٹ ورک
عصبی نیٹ ورکس میں بیک اسپروگریشن تقریبا ہے منتقلی معلومات کی اور اس معلومات سے نمٹنے کے ل by ماڈل سے پیدا ہونے والی غلطی سے متعلق جب کوئی اندازہ لگایا گیا تھا۔ یہ طریقہ غلطی کو کم کرنے کی کوشش کرتا ہے ، جسے بصورت دیگر نقصان کی تقریب کہا جاتا ہے۔
کس طرح بیکپرپائزیشن کام کرتا ہے۔ سادہ الگورتھم
مصنوعی اعصابی نیٹ ورک کی تربیت کے لئے گہری سیکھنے میں بیک اسپروگریشن ایک معیاری نقطہ نظر ہے۔ اس کے کام کرنے کا طریقہ یہ ہے کہ - ابتدا میں جب اعصابی نیٹ ورک تیار کیا جاتا ہے تو ، بے ترتیب اقدار کو وزن کے طور پر تفویض کیا جاتا ہے۔ صارف کو یقین نہیں ہے کہ تفویض کردہ وزن کی اقدار درست ہیں یا ماڈل میں فٹ ہیں۔ نتیجے کے طور پر ، ماڈل اس قدر سے باہر نکلتا ہے جو اصل یا متوقع آؤٹ پٹ سے مختلف ہے ، جو ایک خرابی کی قیمت ہے۔
کم سے کم خرابی کے ساتھ مناسب آؤٹ پٹ حاصل کرنے کے ل the ، ماڈل کو کسی مناسب ڈیٹاسیٹ یا پیرامیٹرز پر تربیت دی جانی چاہئے اور ہر بار اس کی پیشرفت کی پیش گوئی کی جائے گی۔ عصبی نیٹ ورک کا تعلق خرابی سے ہے ، اس طرح جب بھی پیرامیٹرز تبدیل ہوجاتے ہیں تو غلطی بھی بدل جاتی ہے۔ ماقبل کے پیرامیٹرز کو ماڈل میں تبدیل کرنے کے لئے بیک ڈراپریشن ایک ایسی تکنیک کا استعمال کرتا ہے جس کو ڈیلٹا رول یا تدریجی نزول کہا جاتا ہے۔
مذکورہ آریھ میں بیکپروپیٹیشن کا کام ظاہر ہوتا ہے اور اس کا کام نیچے دیا گیا ہے۔
- آدانوں پر ‘X’ پہلے سے منسلک راستے سے پہنچ جاتا ہے
- ‘ڈبلیو’ ، اصل وزن ان پٹ کو ماڈل بنانے کے لئے استعمال ہوتا ہے۔ ڈبلیو کی اقدار تصادفی طور پر الاٹ کی گئیں
- ہر نیوران کے لئے آؤٹ پٹ کا حساب آگے بڑھانے والے تبلیغ - ان پٹ پرت ، پوشیدہ پرت اور آؤٹ پٹ پرت کے ذریعہ لگایا جاتا ہے۔
- آؤٹ پٹ اور پوشیدہ پرتوں کے ذریعے پچھلے پروپیگنڈا کرتے ہوئے مساوات کا استعمال کرتے ہوئے نتائج پر غلطی کا حساب لگایا جاتا ہے ، غلطی کو کم کرنے کے لئے وزن کو ایڈجسٹ کیا جاتا ہے۔
آؤٹ پٹ اور غلطی کا حساب لگانے کے لئے ایک بار پھر آگے کی تشہیر کریں۔ اگر غلطی کو کم سے کم کیا جاتا ہے تو ، یہ عمل ختم ہوجاتا ہے ، ورنہ پسماندہ کو پھیلاتا ہے اور وزن کی اقدار کو ایڈجسٹ کرتا ہے۔
یہ عمل اس وقت تک دہراتا ہے جب تک کہ غلطی کم سے کم نہ ہوجائے اور مطلوبہ آؤٹ پٹ حاصل نہ ہوجائے۔
ہمیں بیک اسپرو گیشن کی ضرورت کیوں ہے؟
یہ ایک ایسا طریقہ کار ہے جو خاص ڈیٹاسیٹ سے متعلق اعصابی نیٹ ورک کی تربیت کے لئے استعمال ہوتا ہے۔ میں سے کچھ Backpropagation کے فوائد ہیں
- یہ آسان ، تیز اور پروگرام آسان ہے
- صرف ان پٹ کی تعداد ٹن کی جاتی ہے نہ کہ کوئی دوسرا پیرامیٹر
- نیٹ ورک کے بارے میں پہلے سے جاننے کی ضرورت نہیں ہے
- یہ لچکدار ہے
- ایک معیاری نقطہ نظر اور مؤثر طریقے سے کام کرتا ہے
- اس کے لئے صارف کو خصوصی کام سیکھنے کی ضرورت نہیں ہے
بیکپروپگیشن نیٹ ورک کی اقسام
بیکپروپگیشن نیٹ ورک کی دو قسمیں ہیں۔ اس کی درجہ بندی درج ذیل ہے۔
جامد بیکپروپیشن
جامد backpropagation نیٹ ورک کی ایک قسم ہے جس کا مقصد جامد آؤٹ پٹ کے لئے ایک جامد ان پٹ کی تعریفیں تیار کرنا ہے۔ اس قسم کے نیٹ ورک آپٹیکل کریکٹر ریکگنیشن (OCR) جیسے جامد درجہ بندی کے مسائل حل کرنے کی صلاحیت رکھتے ہیں۔
بار بار پیچھے رہنا
بار بار ہونے والا بیکپروپیگریشن ایک اور قسم کا نیٹ ورک ہے جو فکسڈ پوائنٹ سیکھنے میں کام کرتا ہے۔ بار بار بیکپروجیکشن میں سرگرمیاں اس وقت تک کھلا دی جاتی ہیں جب تک کہ یہ ایک مقررہ قیمت حاصل نہ کردے۔ اس کے بعد ، ایک غلطی کا حساب کتاب کیا جاتا ہے اور پچھلے حصے میں پروپیگنڈا کیا جاتا ہے۔ A سافٹ ویئر ، نیورو سولوشنس میں بار بار بیک پیج کو انجام دینے کی صلاحیت ہے۔
کلیدی اختلافات: جامد بیکپروپیگریشن فوری نقشہ سازی کی پیش کش کرتی ہے ، جبکہ بیک بیک اسپروج گیشن کی میپنگ فوری طور پر نہیں ہوتی ہے۔
بیکپروپیگیشن کے نقصانات
بیک اسپروجریشن کے نقصانات یہ ہیں:
- بیک ڈراپریشن ممکنہ طور پر شور کے اعداد و شمار اور بے قاعدگیوں کے لئے حساس ہو
- اس کی کارکردگی ان پٹ ڈیٹا پر انتہائی انحصار کرتی ہے
- تربیت کے لئے ضرورت سے زیادہ وقت کی ضرورت ہے
- منی بیچ کے بجائے بیک سپروگریشن کے لئے میٹرکس پر مبنی طریقہ کی ضرورت ہے
بیکپروپگیشن کی درخواستیں
درخواستیں ہیں
- عصبی نیٹ ورک کو ایک لفظ اور ایک جملے کے ہر حرف کی تضحیک کرنے کی تربیت دی جاتی ہے
- اس کے میدان میں استعمال ہوتا ہے تقریر کی پہچان
- یہ کردار اور چہرے کی پہچان کے میدان میں استعمال ہوتا ہے
عمومی سوالنامہ
1)۔ ہمیں عصبی نیٹ ورکس میں بیک اسپرو گیشن کی ضرورت کیوں ہے؟
یہ ایک ایسا طریقہ کار ہے جو خاص ڈیٹاسیٹ سے متعلق اعصابی نیٹ ورک کی تربیت کے لئے استعمال ہوتا ہے
2). بیکپروپیگیشن الگورتھم کا مقصد کیا ہے؟
اس الگورتھم کا مقصد عصبی نیٹ ورکس کے لئے ایک ٹریننگ میکانزم تشکیل دینا ہے تاکہ اس بات کا یقین کیا جاسکے کہ نیٹ ورک کو ان کی مناسب آؤٹ پٹ پر نقشہ بنانے کے لئے تربیت دی گئی ہے۔
3)۔ عصبی نیٹ ورک میں سیکھنے کی شرح کتنی ہے؟
سیکھنے کی شرح کو عصبی نیٹ ورک کے نقصان کو کم کرنے اور بہتر بنانے کے تناظر میں بیان کیا گیا ہے۔ اس سے مراد وہ رفتار ہے جس میں اعصابی نیٹ ورک پرانے ڈیٹا کو اوور رائیڈ کرکے نیا ڈیٹا سیکھ سکتا ہے۔
4)۔ کیا عصبی نیٹ ورک الگورتھم ہے؟
جی ہاں. عصبی نیٹ ورک سیکھنے الگورتھم یا اصولوں کی نشاندہی کرنے کے لئے وضع کردہ اصولوں کا ایک سلسلہ ہے۔
5)۔ عصبی نیٹ ورک میں ایکٹیویشن فنکشن کیا ہے؟
عصبی نیٹ ورک کی ایکٹیویشن فنکشن یہ فیصلہ کرتی ہے کہ آیا نیوران کو چالو کرنا چاہئے / متحرک کرنا چاہئے یا کل رقم کی بنیاد پر نہیں۔
اس مضمون میں ، Backpropagation کا تصور پڑھنے والے کو سمجھنے کے ل simple آسان زبان استعمال کرتے ہوئے اعصابی نیٹ ورک کی وضاحت کی گئی ہے۔ اس طریقہ کار میں ، عصبی نیٹ ورکس کو خود کفیل ہونے اور پیچیدہ حالات سے نمٹنے کے لئے پیدا ہونے والی غلطیوں سے تربیت دی جاتی ہے۔ عصبی نیٹ ورک ایک مثال کے ساتھ درست طریقے سے سیکھنے کی صلاحیت رکھتے ہیں۔
