لرننگ (سیکھنے کے عمل) کا اظہار ‘پہلے’ اور ‘بعد’ کی سادہ سی صورت میں ہوتا ہے۔ نیٹ ورک کو وہی ان پٹ (input) دیا جاتا ہے، لیکن ٹریننگ کے بعد آؤٹ پٹ (output) تبدیل ہو جاتا ہے، اور اس تبدیلی کی پیمائش ‘ایرر اسکور’ (error score) کے ذریعے کی جا سکتی ہے۔
یہ سبق لرننگ اور ‘ٹریننگ لوپ’ (training loop) کی ایک ٹھوس تعریف پیش کرتا ہے، جس پر آپ بعد کے اسباق میں مزید غور و فکر کریں گے۔
شروعات میں، نیورل نیٹ ورک عام طور پر غیر مستحکم پیش گوئیاں (predictions) کرتا ہے کیونکہ اس کے پیرامیٹرز (parameters) کی ابتدا چھوٹے بے ترتیب (random) اعداد سے ہوتی ہے۔ اگر آپ بغیر کسی تبدیلی کے وہی ان پٹ ایک ہی کوڈ میں دو بار داخل کریں، تو آؤٹ پٹ وہی رہتا ہے، لیکن یہ مستقل طور پر غلط ہو سکتا ہے۔
کچھ دیر ٹریننگ جاری رہنے کے بعد، ان پٹ تو وہی رہتا ہے لیکن پیش گوئی اکثر درست لیبل کی جانب تبدیل ہو جاتی ہے کیونکہ اس دوران ‘ویٹس’ (weights) کو اپ ڈیٹ کر دیا گیا ہوتا ہے۔ یہ وہ بنیادی اور مشاہدہ کے قابل رویہ ہے جسے آپ کسی بھی نظریے (theory) کی فکر کیے بغیر خود جانچ سکتے ہیں۔
ابتدائی بے ترتیب اندازوں (random guesses) کا موازنہ اپ ڈیٹ کے کئی مراحل کے بعد حاصل ہونے والی درستگی سے کرنے کے لیے ‘انٹرایکٹو کلاسیفیکیشن’ (interactive classification) کی مثال استعمال کریں۔
یہ تبدیلی ایک واضح پیمائش کے نتیجے میں آتی ہے۔ نیٹ ورک ایک پیش گوئی (prediction) فراہم کرتا ہے، آپ اس کا موازنہ ہدف لیبل (target label) سے کرتے ہیں، اور ایک ایرر میٹرک (error metric) کا حساب لگاتے ہیں جو ناقص پیش گوئیوں کو بڑی قدر (number) اور بہتر پیش گوئیوں کو چھوٹی قدر تفویض کرتا ہے۔
تربیت (training) کے دوران ایک ‘اپ ڈیٹ کا مرحلہ’ (update step) انجام دیا جاتا ہے جو پیرامیٹرز میں معمولی تبدیلی لاتا ہے تاکہ ملتی جلتی مثالوں پر اگلی پیش گوئی میں غلطی کا امکان کم ہو سکے۔ سیکھنا کوئی کیفیت یا محض ایک خصوصیت نہیں ہے۔ یہ ایک مسلسل دہرایا جانے والا عمل ہے جس میں پیرامیٹرز کی اقدار اس لیے تبدیل ہوتی ہیں کیونکہ پیمائش شدہ غلطی انہیں ایسا کرنے پر مجبور کرتی ہے۔
اس بات کا جائزہ لیں کہ پیرامیٹرز، پیش گوئیوں، لیبلز، ایرر میٹرک اور اپ ڈیٹ کے مرحلے کے مابین تعلق (mapping) کس طرح قائم ہوتا ہے۔