Day: October 1, 2022

After finding the errors and deviations in the data values, we must adjust the appropriate value for the weights and biases through the derivative of the deviation function related to them, which indicates the slope of the function in calculus.

If the value of the derivative is known to us, we reset the ratios of weights and biases by raising or decreasing those ratios, but this is not enough to calculate the derivative of the skew function directly in terms of weights and biases because their value does not exist in the equation that represents them, so it is necessary to use the law of the serial scale to reach the solution .

This mathematical equation may seem somewhat complicated, but it is the only way to lead us to the correct solution. For simplicity, we have shown the partial derivative of a single-layer Neural Network.
After we extract this result, we add the backpropagation task in the Python code for our case.

And in the following video tutorial, a detailed explanation of the law of the serial scale in backpropagation and the application of calculus is provided by 3Blue1Brown

Backpropagation

بعد العثور على الأخطاء والانحرافات في قيم البيانات يتوجب علينا ضبط القيمة المناسبة للأوزان والتحيزات من خلال مشتق دالة الانحراف المتعلقة بهما والتي تدل على ميل الدالة بحساب التفاضل والتكامل 

إذا كانت قيمة المشتق معلومة لدينا فنقوم بإعادة تعيين نسب الأوزان والتحيزات عن طريق رفع تلك النسب أو خفضها إلا أن هذا لا يكفي لحساب مشتق دالة الانحراف مباشرةً بدلالة الأوزان والتحيزات لأن قيمتهما غير موجودة في المعادلة الممثلة لها لذلك لابد من الاستعانة بقانون المقياس التسلسلي للوصول إلى الحل

قد تبدو هذه المعادلة الحسابية معقدة نوعاً ما لكنها السبيل الوحيد لإيصالنا إلى الحل السليم وعلى سبيل التبسيط قمنا إظهار المشتق الجزئي  

مؤلفة من طبقة واحدة Neural Network لـ

وبعد استخلاصنا لهذه النتيجة نقوم بإضافة

في كودات بايثون لحالتنا هذه  backpropagation مهمة

وفي الفيديو التعليمي التالي شرح مفصل لقانون

backpropagation المقياس التسلسلي في

Blue1Brown3  وتطبيق التفاضل والتكامل مقدم من