کسی بھی تربیت سے پہلے ایک بالکل نیا نیورل نیٹ ورک واقعی بیکار ہوتا ہے — اس کے اندرونی نمبر (اس کے وزن) بے ترتیب طریقے سے شروع ہوتے ہیں، اس لیے اس کے اندازے بھی بے ترتیب ہوتے ہیں۔ بیک پروپیگیشن وہ عمل ہے جو اس بے ترتیبی کو مہارت میں بدل دیتا ہے۔
فارورڈ پاس: ایک اندازہ بنانا
ہر پیشین گوئی ایک "فارورڈ پاس" سے شروع ہوتی ہے: ان پٹ ڈیٹا نیٹ ورک کے ذریعے، تہہ در تہہ بہتا ہے، ہر کنکشن سگنل کو اپنے موجودہ وزن سے ضرب دیتا ہے، جب تک آخری تہہ ایک آؤٹ پٹ پیدا نہیں کرتی۔ تربیت کے آغاز میں یہ آؤٹ پٹ تقریباً بے معنی ہوتا ہے، لیکن یہ ایک حقیقی، مخصوص اندازہ ہے۔
یہ ٹھیک طریقے سے ناپنا کہ اندازہ کتنا غلط تھا
وہ موازنہ ایک نمبر پیدا کرتا ہے — نقصان (loss) — جو ناپتا ہے کہ نیٹ ورک کا آؤٹ پٹ صحیح جواب سے کتنا دور تھا۔ چھوٹا نقصان ایک اچھے اندازے کا مطلب ہے؛ بڑا نقصان ایک برے اندازے کا۔
بیک ورڈ پاس: قصور تفویض کرنا
یہ وہ قدم ہے جس کے لیے الگورتھم کا نام رکھا گیا ہے۔ کیلکولس (چین رول، تہہ در تہہ لاگو) کا استعمال کرتے ہوئے، غلطی کو نیٹ ورک کے ذریعے پیچھے کی طرف ٹریک کیا جاتا ہے — یہ حساب لگاتے ہوئے کہ ہر انفرادی وزن نے آخری غلطی میں بالکل کتنا حصہ ڈالا۔
معلومات آگے بہتی ہے ایک اندازہ پیدا کرنے کے لیے؛ غلطی کا سگنل پھر انہی کنکشنز کے ذریعے پیچھے کی طرف بہتا ہے، ہر وزن کو بالکل بتاتا ہے کہ اس نے غلطی میں کتنا حصہ ڈالا۔
نیا وزن = پرانا وزن − (سیکھنے کی شرح × اس وزن نے غلطی میں کتنا حصہ ڈالا)
"سیکھنے کی شرح" کنٹرول کرتی ہے کہ ہر تبدیلی کتنی بڑی ہے — بہت بڑی اور تربیت غیر مستحکم ہو جاتی ہے؛ بہت چھوٹی اور تربیت رینگتی ہے۔
اسے واقعی ہوتے دیکھیں
بیک پروپیگیشن کے بارے میں پڑھنا صرف ایک حد تک جاتا ہے — نیچے دیا گیا ورژن Google کا اصل، لائیو TensorFlow Playground ہے۔ پلے دبائیں اور ایک حقیقی نیٹ ورک کو دیکھیں دھیرے دھیرے ایک فیصلہ حد کو تراشتے ہوئے۔
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.
امتحان پاس کرنے سے آگے یہ کیوں اہم ہے
ہر بڑا زبان ماڈل، ہر تصویر کی درجہ بندی کرنے والا، ہر تجویز کا نظام جس کے ساتھ آپ بات چیت کرتے ہیں، بالکل اسی لوپ سے تشکیل پایا تھا۔ اگر AI کے پیچھے کی ریاضی کچھ ایسا ہے جسے آپ بلیک باکس کے طور پر ماننے کی بجائے ٹھیک طریقے سے سمجھانا چاہتے ہیں، تو یہی بالکل وہ ہے جو ہمارا پوسٹ گریجویٹ ٹیوشن پیش کرتا ہے، اور آپ مکمل سیکھنے کا راستہ یہاں دیکھ سکتے ہیں۔
عمومی سوالات
کیا یہ واقعی ویسے ہی ہے جیسے انسانی دماغ سیکھتا ہے؟
نہیں — "نیورل نیٹ ورک" نام اور ساخت کا ایک ڈھیلا خاکہ ادھار لیتا ہے، لیکن بیک پروپیگیشن خود ایک ریاضیاتی اصلاحی تکنیک ہے جس کا کوئی معلوم حیاتیاتی متبادل نہیں۔ اصل نیورونز اپنے کنکشنز کے ذریعے پیچھے کی طرف غلطی کا سگنل نہیں بھیجتے جیسا یہ الگورتھم کرتا ہے۔
اسے "گریڈینٹ ڈیسنٹ" کیوں کہا جاتا ہے؟
غلطی کو پہاڑیوں اور وادیوں والے ایک منظر نامے کے طور پر تصور کریں، جہاں وزن کا ہر ممکنہ سیٹ ایک جگہ ہے اور بلندی یہ ہے کہ نیٹ ورک فی الحال کتنا غلط ہے۔ "گریڈینٹ کو اترنا" کا مطلب ہے ہمیشہ اس سمت میں قدم بڑھانا جو سب سے تیزی سے نیچے جائے۔
ایک نیٹ ورک کو اچھی طرح تربیت دینے میں کبھی کبھی اتنی کوشش کیوں لگتی ہے؟
ہر پاس صرف ایک چھوٹی مقدار میں وزن کو ہلاتا ہے، جان بوجھ کر — ایک بڑا قدم ایک اچھے حل کو پار کرنے کا خطرہ رکھتا ہے۔ اصل نیٹ ورک اس چھوٹے عمل کو پورے تربیتی سیٹ پر کئی بار دہراتے ہیں، یہی وجہ ہے کہ سنجیدہ ماڈل کی تربیت میں گھنٹوں، دنوں یا ہفتوں کا کمپیوٹنگ وقت لگ سکتا ہے۔
قارئین کی درجہ بندی اور تبصرے
اس مضمون کو کئی مختلف پہلوؤں پر درجہ دیں — آپ کی درجہ بندی دوسرے قارئین کی مدد کرتی ہے، اور ہمیں بہتر بنانے میں مدد کرتی ہے۔
کیا یہ مضمون مفید تھا؟
ہمیں اپنی رائے بتائیں — کوئی اصلاح، کوئی سوال جس کا جواب نہیں ملا، یا کوئی موضوع جسے آپ اگلی بار کور ہوتے دیکھنا چاہتے ہیں۔
مصنف کے بارے میں
Sudershan Soni
موسٹک سروسز میں بانی اور مرکزی استاد — MSc اہلیت یافتہ ریاضی، سائنس، کمپیوٹر سائنس اور STEM کے استاد، 20 سال سے زائد پیشہ ورانہ تجربے کے ساتھ، 11+ اور GCSE سے A-Level اور اس سے آگے تک کے طلبہ کو دنیا بھر میں آن لائن پڑھاتے ہیں۔
مکمل پروفائل پڑھیں