انتشار خلفي

طريقة التعليم

من جهة ثانية، يمكن تقسيم مراحل التعليم التي تعتمد عليها الشبكة إلى مرحلتين :

المرحلة الثانية : تحديث قيم الأوزان

من جانب آخر، يتم تحديث قيمة اوزان كل عصبون ينتمي إلى الطبقات الخفية (Hidden Layers)

تفاصيل خوارزمية الانتشار المُرتد

لو رسمنا تطور التفاوت E مع الخرج t سنحصل على سطح مكافئ .

وعلى صعيد آخر، ثم هذا المجموع يقسم على مجموع الأوزان ليعطي قيمة الخرج للعصبون .

كذلك، العصبون سيحسب الخرج باعتبار بيانات الدخل والأوزان. طبعاً هذه الأوزان في أول الأمر عشوائية. بالتالي فإن الخرج المحسوب y لن يوافق الخرج الصحيح t.

وفي هذا السياق، لنأخذ المثال الذي يتلقى فيه العصبون (1,1) كبينات دخل و-0 كبيان خرج.

إضافةً إلى ذلك، لنفهم كيفية عمل سنعتبر عصبون عصبونواحد. هذا العصبون يتلقى في الدخل بيانات (أرقام). قيمة الخرج لهذا العصبون هي مجموع موزون للارقام الداخلة. يعني كل رقم سيضرب في الوزن المنسوب لكل مشبك.

في هذا الإطار، مهمة العصبون لاحقًا هي أن يغير الأوزان حتى يتحصل على خرج يوافق أو يقارب الخرج الصحيح.

في هذا الإطار، هذا بنسبة لعصبون بسيط. أما بنسبة لشبكات المركبة، وهي ما يستعمل دائما فإنها ستكون إيجاد القيمة الصغرى ولكن لعمليات أكتر تعقيدا.

وفي هذا الصدد، طريقة حساب التفاوت بين القيمتان تعتمد على الخطأ التربيعي المتوسط خطأ تربيعي متوسط. ما يعادل E=(t-y)^2 \,,

كذلك، التوافق في هذه الحالة وفي جميع الحالات هو القيمة الصغرى على السطح. عكسها على المحور اكس يعطي القيمة الاقرب للخارج الصحيح.

في هذا الإطار، أولاً وقبل تدريب العصبون، الأوزان تعطى للمشابك بطريقة عشوائية. ثم يتم مد العصبون ببيانات الدخل والخرج.

المرحلة الأولى : الانتشار

كذلك، تغذية امامية للشبكة بعينة بيانات الدخل لحساب بيانات الخرج ومن ثم يتم مقارنة النتائج المحصل عليها مع النتائج المرغوب فيها ويتم حساب الفرق الذي يمثل قيمة الخطأ (error)

مع كل عينة من بيانات الدخل يجب أن يتم :

علاوةً على ذلك، تغذية مُرتدة حيث يتم حساب قيمة الخطأ في كل عصبون ينتمي للطبقات الخفية.