آموزش شبکه به روش پس انتشار خطا

با توجه به اين كه شبكه عصبي، مدل ساده شده اعصاب بدن است، درست به مانند آن ها قابليت يادگيري دارد. به عبارت ديگر، شبكه با استفاده از اطلاعاتي كه از ورودي و توسط سرپرست خود دريافت ميكند، قادر به فراگيري روند موجود در الگوهاست. لذا به طور مشابه با انسان، روند يادگيري در شبكه عصبي نيز از مدل هاي انساني الهام گرفته است بدين صورت كه مثال هاي بسياري را به دفعات بايستي به شبكه ارائه نمود تا بتواند با تغيير وز نهاي شبكه، خروجي مورد نظر را دنبال كند. ارائه نمونه داده هاي ورودي به شبكه عصبي به دو روش امكان پذير است:

Batch Mode)    ): در اين روش، تمام نمونه ها به شبكه ارائه مي گردند و در آخر، خطاي روش ارائه يك جا شبكه نسبت به كل نمونه ها محاسبه گشته و وزن ها بر اساس آن خطا تغيير مي كنند. در مرحله بعد، مجدداً تمام داد ه ها يكبار ديگر به شبكه ارائه شده و روند فوق نظير به نظير انجام ميپذيرد تا نهايتاً خطا به سطح قابل قبولي برسد. مسلماً اين روش پيچيده و زمان بر بوده و نياز به حافظه زيادي دارد. همچنين امكان گيركردن الگوريتم در مينيمم هاي محلي وجود دارد.

(Pattern Mode) : در اين روش، در هربار نمونه ها به صورت تك تك به شبكه داده شده و روش ارائه الگو خطاي متناظر با همان داده بلافاصله محاسبه شده و بر اساس آن، وزنهاي شبكه تغيير مي كنند. سپس نمونه بعدي به شبكه ارائه شده و روند بالا مشابهاً انجام مي پذيرد. چون در اين روش، در هر گام، اصلاح وزن ها بر اساس هر نمونه انجام مي پذيرد، الگوريتم همگرايي خوبي داشته و با توجه به ماهيت تصادفي موجود در ارائه تكي داده ها، خطر مینيمم هاي محلي منتفي است.

به منظور آموزش شبكه و اصلاح وزن ها تا رسيدن به يك خطاي معنادار، روش هاي بسيار زيادي وجود دارد. يكي از مشهورترين اين روش ها، الگوريتم پس انتشار خطا[1]  است كه در ادامه  توضيح داده مي شود.

 

 

 

[1] – Error back propagation algorithm