At this point, we will apply our neural network to a working model and verify its correctness after we have completed our Python codes to perform forward and backward progression.
It is worth noting that our neural network must be programmed automatically to recognize the appropriate weights to perform this task.
By applying the neural network for 1500 iterations, we notice that the value of the loss gradually decreases for each iteration, according to what is shown in the graph, which is in line with the aforementioned algorithm.
So the final prediction result for the 1500-repeat neural network is as follows:
By comparing the predictions with the real values, we find that there is agreement between them with a slight difference. This means that the training of the neural network was successful due to the forward and backward algorithm.
Neural Network Summary
في هذه المرحلة سنقوم بتطبيق الشبكة العصبية الخاصة بنا على نموذج عملي ونتأكد من صحتها وذلك بعد أن اكتملت لدينا أكواد البايثون المخصصة لإجراء التقدم للأمام والعودة إلى الخلف
من الجدير بالذكر أنه يجب أن تبرمج شبكتنا العصبية تلقائياً على التعرف على الأوزان المناسبة لأداء هذه المهمة
وبالتطبيق العملي على الشبكة العصبية لـ 1500 تكرار نلاحظ أن قيمة الخسارة تنخفض تدريجياً لكل تكرار وفق ما هو موضح في المخطط البياني وهو ما يتماشى مع الخوارزمية المذكورة آنفاً
: لتصبح نتيجة التنبؤ النهائية للشبكة العصبية المكونة من 1500 تكرار على النحو التالي
بمقارنة التنبؤات مع القيم الحقيقة نجد أن هناك توافق بينهما مع وجود اختلاف بسيط هذا يعني أن تدريب الشبكة العصبية تكلل بالنجاح بفعل الخوارزمية الخاصة بالتقدم للأمام والرجوع إلى الخلف
Data World 