initialize network weights (often s

initialize network weights (often small random values)
do
forEach training example ex
prediction = neural-net-output(network, ex) // forward pass
actual = teacher-output(ex)
compute error (prediction - actual) at the output units
compute Delta w_h for all weights from hidden layer to output layer // backward pass
compute Delta w_i for all weights from input layer to hidden layer // backward pass continued
update network weights // input layer not modified by error estimate
until all examples classified correctly or another stopping criterion satisfied
return the network

Kết quả (Việt) 2:

khởi tạo trọng lượng mạng (thường giá trị ngẫu nhiên nhỏ)
làm
foreach ví dụ đào tạo ex
dự đoán = thần kinh-net-đầu ra (mạng, ex) // phía trước vượt qua
thực tế = giáo viên-đầu ra (ex)
lỗi tính toán (dự đoán - thực tế) tại các đơn vị sản lượng
tính toán Delta w_h cho tất cả các trọng từ lớp ẩn để lớp ra // ngược vượt qua
tính Delta w_i cho tất cả trọng lượng từ lớp đầu vào cho lớp ẩn // lạc hậu tiếp tục vượt qua
trọng lượng mạng cập nhật // lớp đầu vào không thay đổi theo ước tính lỗi
cho đến khi tất cả các ví dụ phân loại một cách chính xác hoặc một điều kiện dừng thỏa mãn
trở lại mạng