A deep learning algorithm for improving the performance of the Sum-ProductAlgorithm (SPA) based decoders is investigated. The proposed Neural NetworkDecoders (NND) [22] generalizes the SPA by assigning weights to the edges ofthe Tanner graph. We elucidate the peculiar design, training, and working of theNND. We analyze the edge weight’s distribution of the trained NND and providea deeper insight into its working. The training process of NND learns the edgeweights in such a way that the effects of artifacts in the Tanner graph (such ascycles or trapping sets) are mitigated, leading to a significant improvement inperformance over the SPA.We conduct an extensive analysis of the training hyper-parameters affectingthe performance of the NND, and present hypotheses for determining theirappropriate choices for different families and sizes of codes. Experimental resultsare used to verify the hypotheses and rationale presented. Furthermore,we propose a new loss-function that improves performance over the standardcross-entropy loss. We also investigate the limitations of the NND in termsof complexity and performance. Although the SPA based design of the NNDenables faster training and reduced complexity, the design constraints restrictthe neural network to reach its maximum potential. Our experiments show thatthe NND is unable to reach Maximum Likelihood (ML) performance thresholdfor any plausible set of hyper-parameters. However for short length (n 128)High Density Parity Check (HDPC) codes such as Polar or BCH codes, theperformance improvement over the SPA is significant. En djup inlärningsalgoritm för att förbättra prestanda hos SPA-baserade (Sum-Product Algorithm) avkodare undersöks. Den föreslagna neuronnätsavkodaren(Neural Network Decoder, NND) [22] generaliserar SPA genom att tilldela viktertill bågarna i Tannergrafen. Vi undersöker neuronnätsavkodarens utformning,träning och funktion. Vi analyserar fördelningen av båg vikter hos en tränadneuronnätsavkodare och förmedlar en djupare insikt i dess funktion. Träningenav neuronnätsavkodaren är sådan att den lär sig bågvikter så att effekternaav artefakter hos Tannergrafen (såsom cykler och fångstmängder‡) minimeras,vilket leder till betydande prestandaförbättringar jämfört med SPA.Vi genomför en omfattande analys av de tränings-hyper-parametrar sompåverkar prestanda hos neuronnätsavkodaren och presenterar hypoteser för lämpligaval av tränings-hyper-parametrar för olika familjer och storlekar av koder. Experimentellaresultat används för att verifiera dessa hypoteser och förklaringarpresenteras. Dessutom föreslår vi ett nytt felmått som förbättrar prestanda jämförtmed det vanliga korsentropimåttet§. Vi undersöker också begränsningar hosneuronnätsavkodaren med avseende på komplexitet och prestanda. Neuronnätsavkodarenär baserad på SPA vilket möjliggör snabbare träning och minskadkomplexitet, till priset av begränsningar hos neuronnätsavkodaren som gör attden inte kan nå ML-prestanda för någon rimlig uppsättning tränings-hyperparametrar.För korta (n <= 128) högdensitetsparitetskoder (High-DensityParity Check, HDPC), exempelvis Polarkoder eller BCH-koder, är prestandaförbättringarnajämfört med SPA dock betydande.