নিউরাল নেটওয়ার্ক

একটি মৌলিক কৃত্রিম নিউরন ওজন ব্যবহার করে ইনপুট মানগুলিকে একত্রিত করে, একটি পক্ষপাত যুক্ত করে এবং একটি অ্যাক্টিভেশন ফাংশন প্রয়োগ করে। প্রতিটি ইনপুট কতটা দৃঢ়ভাবে অবদান রাখে তা ওজন নিয়ন্ত্রণ করে। পক্ষপাত ফলাফলকে স্থানান্তরিত করে। একটি অরৈখিক অ্যাক্টিভেশন স্তরগুলিকে এমন সম্পর্কের প্রতিনিধিত্ব করতে দেয় যা বিশুদ্ধ রৈখিক ক্রিয়াকলাপের স্ট্যাক পারে না। উদাহরণস্বরূপ, রিএলইউ অ্যাক্টিভেশন একটি নেতিবাচক ইনপুটের জন্য শূন্য ফিরিয়ে দেয় এবং একটি ইতিবাচক ইনপুট অপরিবর্তিত রাখে। নেটওয়ার্কগুলি বিভিন্ন স্তরে বিভিন্ন অ্যাক্টিভেশন ব্যবহার করতে পারে। একটি আউটপুট স্তর কাজের সাথে মানানসই নির্বাচন করা হয়: একটি সংখ্যাসূচক পূর্বাভাস সম্ভাব্য বিভাগগুলির স্কোরের মতো একইভাবে ব্যাখ্যা করা হয় না। প্রশিক্ষণের সময়, একটি ক্ষতির ফাংশন আউটপুটকে পছন্দসই ফলাফলের সাথে তুলনা করে। ব্যাকপ্রোপ্যাগেশন পরামিতিগুলি কীভাবে ক্ষতিকে প্রভাবিত করে তা গণনা করতে চেইন নিয়ম ব্যবহার করে। একটি অপ্টিমাইজার তখন পরামিতিগুলি আপডেট করতে সেই তথ্যটি ব্যবহার করে। ব্যাকপ্রোপেগেশন গ্রেডিয়েন্টগুলি গণনা করে; এটি কোনও গ্যারান্টি নয় যে মডেলটি সর্বোত্তম সম্ভাব্য সমাধান খুঁজে পাবে বা ভালভাবে সাধারণীকরণ করবে। মস্তিষ্কের উপমা সীমিত। কৃত্রিম নিউরনগুলি গাণিতিক বিমূর্ততা, এবং একটি সফল নেটওয়ার্ক মানুষের মতো মনের প্রমাণ নয়। একটি বৃহত্তর নেটওয়ার্ক জটিল সম্পর্কের মডেল তৈরি করতে পারে, তবে এটি চালাতে, অপ্রাসঙ্গিক নিদর্শনগুলি ফিট করতে বা পরিস্থিতি পরিবর্তন হলে ব্যর্থ হতে আরও বেশি খরচ করতে পারে। এটি একটি সহজ বেসলাইনের সাথে তুলনা করুন এবং প্রশিক্ষণের তথ্যের বাইরের উদাহরণগুলিতে পরীক্ষা করুন।