مروری بر شبکه های عصبی عمیق برروی چندین عامل و محاسبات توزیع شده

شبکه عصبی شامل سه لایه ورودی، پنهان و خروجی است و هرکدام از عصب ها دارای مقدار آستانه و تابع فعال سازی می باشند که به ما خروجی می دهند. نتیجه ای که به دست می آوریم با خروجی که انتظار داریم مقایسه می شود که این دو مقدار باید نزدیک به هم باشند که وزن ها و مقدار آستانه طوری تنظیم باشدکه خروجی درست دریافت کند. شبکه عصبی مصنوعی درواقع دسته ای الگوریتم است که برای شناسایی و تشخیص الگوها به کار می رود. هرچه تعداد الیه ها و عصب ها در هر الیه پنهان بیشتر باشند مدل پیچیده تر می شود. وقتی شبکه های عصبی بیشتر از سه لایه عصب لایه های ورودی و خروجی اند به آنها شبکه عصبی عمیق گفته می شود که به وسیله این شبکه های عصبی عمیق مسائل بسیار پیچیده در زمینه پیش بینی و دسته بندی به مسائل ساده حل می شود. دراینجا به مسئله کمبود داده ها و آموزش و استقرار سیستم های مبتنی بر شبکه عصبی پرداخته ، و برای آموزش شبکه های عصبی عمیق از طریق چندین منبع داده پرداخته شده که امکان آموزش شبکه های عصبی عمیق را با استفاده از داده های موجودیت های متعدد به صورت توزیع شده فراهم می کند.