اعصابی نیٹ ورکس

ایک بنیادی مصنوعی نیوران وزن کا استعمال کرتے ہوئے ان پٹ اقدار کو یکجا کرتا ہے، تعصب کا اضافہ کرتا ہے، اور ایکٹیویشن فنکشن کا اطلاق کرتا ہے۔ وزن کنٹرول کرتا ہے کہ ہر ان پٹ کتنی مضبوطی سے حصہ ڈالتا ہے۔ تعصب نتیجہ کو بدل دیتا ہے۔ ایک نان لائنر ایکٹیویشن تہوں کو ان رشتوں کی نمائندگی کرنے دیتا ہے جو خالصتاً لکیری آپریشنز کا اسٹیک نہیں کر سکتا تھا۔ مثال کے طور پر، ReLU ایکٹیویشن منفی ان پٹ کے لیے صفر لوٹاتا ہے اور مثبت ان پٹ کو کوئی تبدیلی نہیں چھوڑتا ہے۔ نیٹ ورک مختلف تہوں میں مختلف ایکٹیویشن استعمال کر سکتے ہیں۔ کام کے مطابق آؤٹ پٹ پرت کا انتخاب کیا جاتا ہے: ایک عددی پیشین گوئی کی تشریح اس طرح نہیں کی جاتی ہے جس طرح ممکنہ زمروں کے اسکورز کے لیے۔ تربیت کے دوران، نقصان کا فنکشن مطلوبہ نتیجہ کے ساتھ آؤٹ پٹ کا موازنہ کرتا ہے۔ بیک پروپیگیشن زنجیر کے اصول کا استعمال کرتا ہے اس حساب کے لیے کہ پیرامیٹر نقصان کو کیسے متاثر کرتے ہیں۔ ایک اصلاح کار پھر اس معلومات کو پیرامیٹرز کو اپ ڈیٹ کرنے کے لیے استعمال کرتا ہے۔ بیک پروپیگیشن میلان کی گنتی کرتا ہے۔ یہ اس بات کی ضمانت نہیں ہے کہ ماڈل بہترین ممکنہ حل تلاش کرے گا یا اچھی طرح سے عام کرے گا۔ دماغی مشابہت محدود ہے۔ مصنوعی نیوران ریاضیاتی تجرید ہیں، اور ایک کامیاب نیٹ ورک انسان جیسے دماغ کا ثبوت نہیں ہے۔ ایک بڑا نیٹ ورک پیچیدہ تعلقات کا نمونہ بنا سکتا ہے، لیکن اسے چلانے، غیر متعلقہ نمونوں کو فٹ کرنے، یا حالات تبدیل ہونے پر ناکام ہونے میں زیادہ لاگت بھی آسکتی ہے۔ اس کا ایک آسان بیس لائن سے موازنہ کریں اور ٹریننگ ڈیٹا سے باہر کی مثالوں پر ٹیسٹ کریں۔