The input comes weight of the neura

The input comes weight of the neural network to double and when some time repeats
the process which becomes worse the output(y) which is a resultant price of input
comes out. The output(y) given in the study data, the desired output(o) and is quite
different. As a result, the neural network (y-o) as a margin of error (e = y-o) when the
error weight in proportion to the renewal of the output layer, and then update the
weight of hidden layer. Weight to renew the opposite direction, the direction is the
direction of the handling of the neural network. As Backpropagation algorithm does
with like this reason. Says again, the control of the neural network is advanced with
direction of input layer → hidden layer → output layer, the studying direction of
weight renewal is advanced at output layer → hidden layer. Uses the incoming data
4 comes to give and 4 phased neural network composition lower part and is same.

ผลลัพธ์ (ไทย) 1:

การป้อนข้อมูลมาน้ำหนักของเครือข่ายประสาทคู่และเมื่อบางครั้งทำซ้ำกระบวนการซึ่งกลายเป็น output(y) ซึ่งเป็นราคาของอินพุตผลแก่แย่ออกมา Output(y) ที่ให้ข้อมูลศึกษา output(o) ต้อง และค่อนแตกต่างกัน เป็นผล เครือข่ายประสาท (y-o) เป็นขอบของข้อผิดพลาด (e = y-o) เมื่อการข้อผิดพลาดน้ำหนักสัดต่ออายุของผลผลิตชั้น และจากนั้น ปรับปรุงการน้ำหนักของชั้นซ่อน น้ำหนักอายุหนีไปในทิศทาง ทิศทางการทิศทางของการจัดการเครือข่ายประสาท กับอัลกอริทึม Backpropagationด้วยเหตุผลนี้ต้องการ กล่าวว่า อีกครั้ง การควบคุมของเครือข่ายประสาทมีขั้นสูงด้วยทิศทางของชั้นอินพุตชั้นออก→ชั้นซ่อน→ ทิศทางการเรียนของน้ำหนักต่ออายุเป็นขั้นสูงที่ออกชั้น→ซ่อนเลเยอร์ ใช้ข้อมูลขาเข้า4 มาให้ และ 4 เข้ามาสู่โครงข่ายประสาทส่วนล่างขององค์ประกอบ และเป็นเดียวกัน

ผลลัพธ์ (ไทย) 2:

ใส่มาน้ำหนักของโครงข่ายประสาทเทียมที่สองและเมื่อเวลาซ้ำขั้นตอนซึ่งจะกลายเป็นเลวร้ายยิ่งการส่งออก (y) ซึ่งเป็นราคาผลลัพธ์ของท่านออกมา เอาท์พุท (y) กำหนดในการศึกษาผลลัพธ์ที่ต้องการ (o) และค่อนข้างแตกต่างกัน เป็นผลให้เครือข่ายประสาท (yo) ในขณะที่อัตรากำไรขั้นต้นของข้อผิดพลาด (จ = yo) เมื่อน้ำหนักข้อผิดพลาดในสัดส่วนที่ต่ออายุของชั้นออกแล้วปรับปรุงน้ำหนักของชั้นที่ซ่อน น้ำหนักที่จะต่ออายุทิศทางที่ตรงข้ามทิศทางที่เป็นทิศทางของการจัดการของเครือข่ายประสาท ในฐานะที่เป็นอัลกอริทึม backpropagation ไม่ด้วยเหตุนี้เช่น กล่าวอีกครั้งการควบคุมของเครือข่ายประสาทเป็นขั้นสูงที่มีทิศทางของการป้อนข้อมูล→ชั้นชั้นชั้นซ่อนเอาท์พุท→ทิศทางการศึกษาของการต่ออายุน้ำหนักเป็นขั้นสูงที่ชั้นเอาท์พุท→ชั้นซ่อน ใช้ข้อมูลที่เข้ามา4 มาพร้อมที่จะให้และจะค่อย ๆ 4 องค์ประกอบของเครือข่ายประสาทส่วนล่างและจะเหมือนกัน

ผลลัพธ์ (ไทย) 3:

ใส่มา น้ำหนักของโครงข่ายประสาทเทียมสองและเมื่อเวลาซ้ำ
กระบวนการซึ่งกลายเป็นแย่ลงผลผลิต ( Y ) ซึ่งเป็น ราคาต้นทุน นำเข้า
ออกมา ผลผลิต ( Y ) ที่ระบุในข้อมูลการศึกษาผลลัพธ์ที่ต้องการ ( O ) และค่อนข้าง
แตกต่างกัน เป็นผลให้เครือข่ายประสาท ( y-o ) เป็นขอบของข้อผิดพลาด ( E =
y-o ) เมื่อข้อผิดพลาดน้ำหนักสัมพันธ์กับการต่ออายุของชั้นออก แล้วปรับปรุง
น้ำหนักของมิลเล . น้ำหนักต่อทิศทางตรงข้าม ทิศทางเป็น
ทิศทางของการจัดการของเครือข่ายประสาท เป็นขั้นตอนวิธีแบบไม่
กับเหตุผลนี้ กล่าวอีกครั้ง ควบคุมระบบโครงข่ายประสาทเทียมเป็นขั้นสูงกับ
ทิศทางของชั้นข้อมูล→ keyboard - key - name ชั้นซ่อนเลเยอร์→ keyboard - key - name ส่งออก ,การศึกษาทิศทาง
ต่ออายุน้ำหนักขั้นสูงที่ชั้นออก→ keyboard - key - name ซ่อนเลเยอร์ ใช้ข้อมูลขาเข้า
4 มาให้ 4 phased ส่วนล่างองค์ประกอบเครือข่ายนิวรอนและเป็นเรื่องเดียวกัน