[ تعرٌف على ] انتشار خلفي # أخر تحديث اليوم 2024/05/22

تم النشر اليوم 2024/05/22 | انتشار خلفي

طريقة التعليم

يمكن تقسيم مراحل التعليم التي تعتمد عليها الشبكة إلى مرحلتين: المرحلة الأولى: الانتشار
مع كل عينة من بيانات الدخل يجب أن يتم: تغذية امامية للشبكة بعينة بيانات الدخل (input) لحساب بيانات الخرج (output) ومن ثم يتم مقارنة النتائج المحصل عليها مع النتائج المرغوب فيها ويتم حساب الفرق الذي يمثل قيمة الخطأ (error)
تغذية مُرتدة حيث يتم حساب قيمة الخطأ في كل عصبون ينتمي للطبقات الخفية.
المرحلة الثانية: تحديث قيم الأوزان
يتم تحديث قيمة اوزان كل عصبون ينتمي إلى الطبقات الخفية (Hidden Layers) تفاصيل خوارزمية الانتشار المُرتد 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. ثم هذا المجموع يقسم على مجموع الأوزان ليعطي قيمة الخرج للعصبون . أولاً وقبل تدريب العصبون، الأوزان تعطى للمشابك بطريقة عشوائية. ثم يتم مد العصبون ببيانات الدخل والخرج. العصبون سيحسب الخرج باعتبار بيانات الدخل والأوزان. طبعاً هذه الأوزان في أول الأمر عشوائية. بالتالي فإن الخرج المحسوب y لن يوافق الخرج الصحيح t. مهمة العصبون بعد ذلك هي أن يغير الأوزان حتى يتحصل على خرج يوافق أو يقارب الخرج الصحيح. طريقة حساب التفاوت بين القيمتان تعتمد على الخطأالتربيعي المتوسط خطأ تربيعي متوسط. ما يعادل E=(t-y)^2 ,, لنأخذ المثال الذي يتلقى فيه العصبون (1,1) كبينات دخل و-0 كبيان خرج. لو رسمنا تطور التفاوت E مع الخرج t سنحصل على سطح مكافئ .
التوافق في هذه الحالة وفي جميع الحالات هو القيمة الصغرى على السطح. عكسها على المحور اكس يعطي القيمة الاقرب للخارج الصحيح. هذا بنسبة لعصبون بسيط. أما بنسبة لشبكات المركبة، وهي ما يستعمل دائما فإنها ستكون إيجاد القيمة الصغرى ولكن لعمليات أكتر تعقيدا.

شرح مبسط

الانتشار المُرتد[1] أو الخلفي (Backpropagation) هي إحدى طرق تعليم الشبكات العصبونية التي تؤمن نقل معلومات بالانتشار العكسي للاتجاه الأصلي لقدوم المعلومات.[2][3][4]