.xor ‫ مثال‬.

backpropagation ‫تمرير مثال لتطبيق خوارزمية‬

Consider a training set where inputs x1 and x2 are equal to 1 and desired output yd;5 is 0. The actual
outputs of neurons 3 and 4 in the hidden layer are calculated as

the actual output of neuron 5 in the output layer is determined as

the following error is obtained

determine the weight corrections

we calculate the error gradients for neurons 3 and 4 in the hidden layer

determine the weight corrections:

The training process is repeated until the sum of squared errors is less than

0.001.
 ‫يرجى حفظ القوانين من المحاضرة ‪ 3‬والطريقة العالمات ليست على األرقام إنما على الطريقة‪.‬‬
‫مثال هام‪ :‬لدينا شركة سيارات تحتوي ‪ 500‬سيارة كل سيارة لها نوع محرك وعدد مقاعد ولون وتتبع‬
‫لنوع معين إما مرسيدس أو كيا ريو أو سيراتو أو متسوبيشي‪.‬‬
‫تريد الشركة بناء نموذج ‪ model‬لتصنيف أنواع السيارات‬
‫ما نوع الشبكة ما عدد عينات الدخل ما هي المداخل والمخارج وتابع التفعيل‪.‬‬

‫الشبكة متعددة الطبقات ألن األصناف أكثر من صنفين‪.‬‬

‫عدد عينات الدخل ‪ 500‬ونقسمها إلى عينات تدريب وعينات اختبار حسب نسبة التقسيم ‪ %50‬أو ‪.%75‬‬
‫وبذلك نحسب عدد عينات التدريب وعدد عينات االختبار‪.‬‬
‫نشفره إلى أرقام‪.‬‬
‫ّ‬ ‫المداخل‪ 3 :‬مداخل نوع المحرك –عدد المقاعد‪ -‬لون السيارة وكل مدخل يعطى رقميا ً أو‬
‫المخارج‪ 4 :‬ألن أصناف السيارات ‪ .4‬عدد عصبونات الخرج إذا كان يساوي عدد المخارج يكون تابع‬
‫التفعيل ‪ .softmax‬فلكل عصبون يعطى احتمالية تفعيله واالحتمال األكبر يعني أن العصبون هو تفعل‬
‫فهو الخرج المطلوب‪.‬‬
‫باقي الطبقات تابع التفعيل ‪.sigmoid‬‬
‫عدد الطبقات الخفية تكفينا هنا طبقة واحدة‪.‬‬