什么是反向传播神经网络:类型及其应用

众所周知，BackPropagation是一个算法它将错误从输出节点反向传播到输入节点。因此，它被简单地称为“错误的反向传播”。这种方法是在分析人类大脑的基础上发展起来的。语音识别，字符识别，签名验证，人脸识别是神经网络的一些有趣的应用。神经网络通过监督学习，输入向量通过网络产生输出向量。这个输出向量根据期望的输出进行验证。如果结果与输出向量不匹配，则生成错误报告。根据错误报告，调整权重以获得所需的输出。

什么是人工神经网络?

一个人工神经网络采用监督学习规则变得有效和强大。神经网络中的信息以两种不同的方式流动。主要是，当模型正在接受培训或学习时以及模型正常运行时 - 用于测试或用于执行任何任务。通过输入神经元以不同形式的信息通过输入神经元喂入模型中，触发几层隐藏的神经元并到达输出神经元，这被称为前馈网络。

由于所有的神经元不会同时触发，接收来自左侧的输入的神经元在穿越隐藏层时与权重相乘。现在，把每个神经元的所有输入加起来，当总和超过某个阈值时，一直保持沉默的神经元就会触发并连接起来。

人工神经网络了解的方式是它从它做错了什么并做到了正确的方式，这被称为反馈。人工神经网络使用反馈来学习什么是对错的。

反向传播是什么?

定义:反向传播是神经网络训练的一种基本机制。它是一种机制，用于根据前一次迭代产生的错误率调整神经网络(在本文中称为模型)的权值。这就像一个信使在预测的时候就告诉模型网络是否犯了错误。

神经网络中的反向传播是关于传播信息并将此信息与模型生成的错误与猜测相关。此方法旨在减少错误，否则被称为损耗功能。

Backpromagation Works如何 - 简单算法

深度学习中的反向作格是培训人工神经网络的标准方法。它的工作方式是，最初在设计神经网络时，随机值被分配为权重。用户不确定分配的权重值是否正确或适合模型。因此，模型输出与实际或预期输出不同的值，这是一个错误值。

为了获得误差最小的适当输出，应该在相关数据集或参数上训练模型，并在每次预测时监控其进度。神经网络与误差有一定的关系，因此，当参数发生变化时，误差也随之变化。反向传播使用一种称为delta规则或梯度下降的技术来改变模型中的参数。

上图显示了反向传播的工作原理，下面给出了它的工作原理。

• 输入的“X”从预连接的路径到达
• 'W'，真正的权重用于建模输入。随机分配W的值
• 每个神经元的输出是通过输入层、隐含层和输出层的转发传播来计算的。
• 误差通过输出层和隐藏层的反向传播方程在输出层计算，并调整权值以减少误差。

再次传播向前传播以计算输出和错误。如果错误最小化，则此过程结束，或者否则向后传播并调整权重值。

此过程重复，直到误差减少到最小，并且获得所需的输出。

为什么我们需要反向传播?

这是用于训练与特定数据集相关的神经网络的机制。某些反向化的优势是

• 它简单，快速，易于编程
• 只有输入的数字是调谐的，而不是任何其他参数
• 不需要事先了解网络
• 它是灵活的
• 标准方法和有效地工作
• 它不需要用户学习特殊功能

BackProjagation网络的类型

有两种反向化网络。它被归类为以下：

静态反向传播

静态反向传播是一种网络，其目的是为静态输出生成静态输入的映射。这类网络能够解决静态分类问题，如光学字符识别(OCR)。

经常性的反向化

递归反向传播是用于定点学习的另一种网络类型。循环的反向传播中的激活被向前馈入直到它达到一个固定的值。在此之后，将计算错误并向后传播。一个软件，神经化具有能够进行复发性反向化。

关键的区别是:静态backpropagation提供即时映射，而映射递归的backpropagation则不是即时的。

反向化的缺点

反向传播的缺点是:

• 反向传播可能对噪声数据和不规则性很敏感
• 这种性能在输入数据上具有高度依赖性
• 需要过度培训时间
• 需要一种基于矩阵的方法来进行反向传播而不是小批量的

应用反向传播

申请是

• 神经网络被训练成发音一个单词和一个句子的每个字母
• 它用于领域语音识别
• 该算法主要应用于字符和人脸识别领域

常见问题

1）。为什么我们需要在神经网络中进行Bospprojagation？

这是一种用于训练与特定数据集相关的神经网络的机制

2). backpropagation算法的目标是什么?

该算法的目标是为神经网络创建一种训练机制，以确保网络被训练到将输入映射到适当的输出。

3）。神经网络的学习率是多少？

在优化和最小化神经网络的丢失功能的背景下定义了学习率。它是指神经网络可以通过覆盖旧数据来学习新数据的速度。

4)神经网络是一种算法吗?

是的。神经网络是一系列用来识别模式的学习算法或规则。

5)神经网络的激活函数是什么?

神经网络的激活函数决定是否应该基于总和来激活/触发神经元。

在这篇文章中，反向传播的概念使用简单的语言来解释神经网络来理解的简单语言。在该方法中，神经网络从生成的错误训练，以变为自足并处理复杂情况。神经网络有能力与一个例子准确学习。