किसी भी प्रशिक्षण से पहले एक बिल्कुल नया न्यूरल नेटवर्क वास्तव में बेकार होता है — इसकी आंतरिक संख्याएं (इसके वज़न) यादृच्छिक रूप से शुरू होती हैं, इसलिए इसके अनुमान भी यादृच्छिक होते हैं। बैकप्रोपेगेशन वह प्रक्रिया है जो उस यादृच्छिकता को कौशल में बदल देती है। यह न तो जादू है और न ही रहस्यमय है — यह एक सटीक, दोहराने योग्य गणना है, लाखों बार चलाई जाती है।
फॉरवर्ड पास: एक अनुमान बनाना
हर भविष्यवाणी एक "फॉरवर्ड पास" से शुरू होती है: इनपुट डेटा नेटवर्क के माध्यम से, परत दर परत बहता है, हर कनेक्शन सिग्नल को अपने वर्तमान वज़न से गुणा करता है, जब तक अंतिम परत एक आउटपुट उत्पन्न नहीं करती। प्रशिक्षण की शुरुआत में, यादृच्छिक वज़न के साथ, यह आउटपुट लगभग निरर्थक होता है। लेकिन यह एक वास्तविक, विशिष्ट अनुमान है, और यही अगला कदम संभव बनाता है: आप इसकी तुलना कर सकते हैं कि उत्तर वास्तव में क्या होना चाहिए था।
यह ठीक से मापना कि अनुमान कितना गलत था
वह तुलना एक संख्या उत्पन्न करती है — हानि (loss) — जो मापती है कि नेटवर्क का आउटपुट सही उत्तर से कितनी दूर था। छोटी हानि का मतलब एक अच्छा अनुमान है; बड़ी हानि का मतलब एक बुरा अनुमान है। महत्वपूर्ण रूप से, हानि केवल एक रिपोर्ट कार्ड नहीं है — यह अगले कदम के लिए शुरुआती बिंदु है।
बैकवर्ड पास: दोष सौंपना
यह वह कदम है जिसके लिए एल्गोरिदम का नाम रखा गया है। कैलकुलस (चेन रूल, परत दर परत लागू) का उपयोग करके, त्रुटि को नेटवर्क के माध्यम से पीछे की ओर ट्रैक किया जाता है — आउटपुट से, हर छिपी हुई परत के माध्यम से वापस, इनपुट तक — यह गणना करते हुए कि हर व्यक्तिगत वज़न ने अंतिम गलती में बिल्कुल कितना योगदान दिया।
जानकारी आगे बहती है एक अनुमान उत्पन्न करने के लिए; त्रुटि संकेत फिर उन्हीं कनेक्शनों के माध्यम से पीछे की ओर बहता है, हर वज़न को बिल्कुल बताता है कि उसने गलती में कितना योगदान दिया।
नया वज़न = पुराना वज़न − (सीखने की दर × इस वज़न ने त्रुटि में कितना योगदान दिया)
"सीखने की दर" नियंत्रित करती है कि हर बदलाव कितना बड़ा है — बहुत बड़ा और प्रशिक्षण अस्थिर हो जाता है; बहुत छोटा और प्रशिक्षण रेंगता है। इस चक्र को पर्याप्त उदाहरणों में पर्याप्त बार दोहराएं, और यादृच्छिक शुरुआती वज़न धीरे-धीरे खुद को उस चीज़ में पुनर्गठित करते हैं जो वास्तव में डेटा में एक वास्तविक पैटर्न को पकड़ती है।
इसे वास्तव में होते देखें
बैकप्रोपेगेशन के बारे में पढ़ना केवल एक हद तक जाता है — नीचे दिया गया संस्करण Google का वास्तविक, लाइव TensorFlow Playground है, बिल्कुल वैसे ही एम्बेड किया गया जैसे यह playground.tensorflow.org पर चलता है। प्ले दबाएं और एक वास्तविक नेटवर्क को धीरे-धीरे एक निर्णय सीमा को तराशते हुए देखें — कोने में हानि संख्या वास्तव में सीखते समय गिरती है।
This is the real thing, not a screenshot — click ▶ (top left of the embed) to actually train this network and watch the decision boundary reshape itself as backpropagation runs. Built by the TensorFlow team at Google; open it full-screen here.
परीक्षा पास करने से परे यह क्यों मायने रखता है
हर बड़ा भाषा मॉडल, हर छवि वर्गीकरणकर्ता, हर अनुशंसा प्रणाली जिसके साथ आप बातचीत करते हैं, बिल्कुल इसी लूप द्वारा आकार दी गई थी, लगभग अकल्पनीय संख्या में बार चलाई गई। यदि AI के पीछे का गणित कुछ ऐसा है जिसे आप ब्लैक बॉक्स के रूप में मानने के बजाय ठीक से समझाना चाहते हैं, तो यही बिल्कुल वह है जो हमारा स्नातकोत्तर ट्यूशन कवर करता है, और आप पूरा सीखने का मार्ग यहां देख सकते हैं।
अक्सर पूछे जाने वाले प्रश्न
क्या यह वास्तव में वैसे ही है जैसे मानव मस्तिष्क सीखता है?
नहीं — "न्यूरल नेटवर्क" नाम और संरचना का एक ढीला स्केच उधार लेता है, लेकिन बैकप्रोपेगेशन स्वयं एक गणितीय अनुकूलन तकनीक है जिसका कोई ज्ञात जैविक समकक्ष नहीं है। वास्तविक न्यूरॉन्स अपने स्वयं के कनेक्शनों के माध्यम से पीछे की ओर त्रुटि संकेत नहीं भेजते जैसा यह एल्गोरिदम करता है। नाम प्रेरणा है, जैविक सटीकता का दावा नहीं।
इसे "ग्रेडिएंट डिसेंट" क्यों कहा जाता है?
त्रुटि को पहाड़ियों और घाटियों वाले एक परिदृश्य के रूप में कल्पना करें, जहां वज़न का हर संभव सेट एक स्थान है और ऊंचाई यह है कि नेटवर्क वर्तमान में कितना गलत है। "ग्रेडिएंट को उतरना" का मतलब है हमेशा उस दिशा में कदम बढ़ाना जो सबसे तेज़ी से नीचे जाती है — बिल्कुल वही जो हर वज़न में गणना किया गया समायोजन करता है, हज़ारों या लाखों बार दोहराया जाता है।
एक नेटवर्क को अच्छी तरह से प्रशिक्षित करने में कभी-कभी इतने प्रयास क्यों लगते हैं?
हर पास केवल एक छोटी मात्रा में वज़न को हिलाता है, जानबूझकर — एक बड़ा कदम एक अच्छे समाधान को पार करने और चीजों को बदतर बनाने का जोखिम उठाता है। वास्तविक नेटवर्क इस छोटे-नज इंग प्रक्रिया को पूरे प्रशिक्षण सेट पर कई बार दोहराते हैं (हर पूर्ण पास को "एपोक" कहा जाता है), यही कारण है कि गंभीर मॉडल को प्रशिक्षित करने में घंटों, दिनों या हफ्तों का कंप्यूटिंग समय लग सकता है।
पाठकों की रेटिंग और समीक्षाएँ
इस लेख को कई अलग-अलग पहलुओं पर रेट करें — आपकी रेटिंग दूसरे पाठकों की मदद करती है, और हमें बेहतर बनाने में मदद करती है।
क्या यह लेख उपयोगी था?
हमें अपनी राय बताएं — कोई सुधार, कोई सवाल जिसका जवाब नहीं मिला, या कोई विषय जिसे आप अगली बार कवर होते देखना चाहते हैं।
लेखक के बारे में
Sudershan Soni
मोस्तक सर्विसेज़ में संस्थापक व मुख्य शिक्षक — MSc-योग्य गणित, विज्ञान, कंप्यूटर साइंस और STEM शिक्षक, 20+ वर्षों के पेशेवर अनुभव के साथ, 11+ और GCSE से A-Level और उससे आगे तक के छात्रों को दुनिया भर में ऑनलाइन पढ़ाते हैं।
पूरी प्रोफ़ाइल पढ़ें