สิ่งสำคัญคือต้องทราบค่า weight และ

สิ่งสำคัญคือต้องทราบค่า weight และ threshold สำหรับสิ่งที่เราต้องการเพื่อให้คอมพิวเตอร์รู้จำซึ่งเป็นค่าที่ไม่แน่นอน แต่สามารถกำหนดให้คอมพิวเตอร์ปรับค่าเหล่านั้น โดยการสอน ให้มันรู้จักรูปแบบ (Pattern) ของสิ่งที่เราต้องการให้มันรู้จำเรียกว่า "Back propagation" ซึ่งเป็นกระบวนการย้อนกลับของการรู้จำในการฝึก feed-forward neural networks โดยจะมีการใช้อัลกอริทึมแบบ Back-propagation เพื่อใช้ในการปรับปรุงน้ำหนักคะแนนของเครือข่าย (network weight) หลังจากใส่รูปแบบข้อมูลสำหรับฝึกให้แก่เครือข่ายในแต่ละครั้งแล้ว ค่าที่ได้รับ (output) จากเครือข่ายจะถูกนำไปเปรียบเทียบกับผลที่คาดหวัง แล้วทำการคำนวณหาค่าความผิดพลาด ซึ่งค่าความผิดพลาดนี้จะถูกส่งกลับเข้าสู่เครือข่ายเพื่อใช้แก้ไขค่าน้ำหนักคะแนนต่อไป

ผลลัพธ์ (อังกฤษ) 2:

It is important to know the weight and threshold for what we want to allow computers to recognize the value of uncertainty. You can set your computer to adjust those values ​​by teaching it to recognize patterns (Pattern) of what we want to give it recognition, called "Back propagation", which is the reverse process of recognition for training feed-forward. neural networks are used by the algorithm. Back-propagation In order to improve the capacity of the network (network weight) after the data model for the training of the network at a time, then the value received (output) of the network is compared to the expected results. Then calculate the error. The margin of error is sent back into the network to modify the weights the next.

ผลลัพธ์ (อังกฤษ) 3:

The important thing is to know the value weight, and threshold for what we want to make the computer recognition, which is the unstable. But the computer can adjust them by teaching it to know the form (Pattern)."Back propagation" which is the process of knowing a record reversal training feed-forward neural networks an algorithm was used. Back-propagation. To improve the weight rate of network (network weight).Value (output) from the network are compared with the expected. Then the calculating error values. This error will be returned into the network to solve the weight score next
.


.