Πώς να χρησιμοποιήσετε Backpropagation Νευρωνικά Δίκτυα

Εμπνευσμένο από τη λειτουργία του βιολογικού εγκεφάλου , τεχνητά νευρωνικά δίκτυα μπορούν να εκτελούν τα καθήκοντα αναγνώρισης προτύπων και κατάταξης, η οποία μπορεί να είναι δύσκολο να προγραμματίσετε χρησιμοποιώντας παραδοσιακές μεθόδους προγραμματισμού . Δίκτυα πρέπει να εκπαιδευθούν για να κάνουν τη δουλειά που καλούνται να κάνουν, και ανάστροφης διάδοσης είναι μια μη βιολογικές μέθοδος αυτόματη ρύθμιση του δικτύου για τη βελτιστοποίηση της αποστολής του . Χρησιμοποιώντας μερικά απλά βήματα , μπορείτε να εκπαιδεύσετε ένα δίκτυο χωρίς την κατανόηση της εξαιρετικά πολύπλοκο υποκείμενο δίκτυο . Τα πράγματα που θα χρειαστείτε
Νευρωνικά λογισμικό δικτύου

Παρουσίαση Περισσότερες οδηγίες
Η 1

Επιλέξτε τι θα θέλατε να ταξινομήσει και τις κατηγορίες που θέλετε να τα ταξινομήσετε σε . Θα πρέπει να είναι υπό την μορφή ξεχωριστών μονάδων που μπορούν το καθένα να κωδικοποιείται . Για παράδειγμα, μια λίστα των δυαδικών αριθμών ή pixels της εικόνας στην κλίμακα του γκρίζου , το καθένα μεταξύ 0 και 255 . Αυτό το παράδειγμα θα χρησιμοποιήσουμε λίστα των επτά δυαδικών αριθμών και οι τάξεις θα πρέπει να αποφασίσει αν υπάρχει ένας μονός ή ζυγός αριθμός " 1s ". 2

Ετοιμάζετε ένα σύνολο εκπαίδευσης . Αυτό αποτελείται από μια λίστα των εισροών με τις σωστές εξόδους για να εκπαιδεύσουν το δίκτυο . Για παράδειγμα , 0100110 = μονός ? 1001011 = ακόμη . Επιλέξτε σύνολο εκπαίδευσης σας έτσι ώστε να δίνει μια καλή αναπαράσταση του φάσματος των εισροών και εκροών , δηλαδή δίνουν όχι μόνο εισόδους με αριθμό " 1s ".
Εικόνων 3

προετοιμαστεί το δίκτυο . Επιλέξτε τον αριθμό των κόμβων εισόδου , ​​οι κόμβοι εξόδου , ​​ο αριθμός των κρυμμένων στρωμάτων και το κριτήριο τερματισμού . Ο αριθμός των κόμβων εισόδου είναι ο αριθμός των στοιχείων στην είσοδο σας. Σε αυτό το παράδειγμα , υπάρχουν επτά κόμβοι , μία για κάθε ψηφίο στον κατάλογο. Ο αριθμός των αποτελεσμάτων θα είναι ο αριθμός των πιθανών ταξινομήσεων . Αυτό εκφράζεται συνήθως σε δυαδικό για ίσια ταξινόμηση. Στο παράδειγμα , υπάρχει μόνο ένα κόμβο εξόδου - δίνοντας 1 για τις μονές και 0 για ακόμη . Τα κρυμμένα στρώματα μπορεί να είναι οποιοσδήποτε αριθμός , αλλά σε όλη την πρακτικότητα δεν θα χρειαστεί περισσότερα από δύο . Το κριτήριο διακοπή είναι ένα ποσοστό των σωστών απαντήσεων στο οποίο θέλετε να σταματήσετε την εκπαίδευση του δικτύου . Για απλή ταξινόμηση των δυαδικών εισόδων , μπορείτε να χρησιμοποιήσετε το 100 τοις εκατό , αλλά για πιο σύνθετες εργασίες , όπως η ταξινόμηση των εικόνων , θέλετε αυτό να είναι χαμηλότερο . Ο μόνος τρόπος για να βελτιστοποιηθεί αυτό είναι να πειραματιστείτε με εκπαιδευμένους δίκτυα για να βρείτε την καλύτερη τιμή .
Η 4

Ξεκινήστε τη φάση κατάρτισης . Αυτό θα χρησιμοποιήσει το σύνολο εκπαίδευσης για την αναδιοργάνωση του δικτύου μέχρι το κριτήριο διακοπή πληρούται . Όταν αυτό δεν γίνεται αποδεκτό , το δίκτυο θα πρέπει να σωθεί και δεν θα είναι πλέον να αναδιοργανωθεί όταν μια είσοδος είναι δεδομένη.
5

Δοκιμάστε το δίκτυο στην είσοδο δεν περιλαμβάνονται στο σύνολο εκπαίδευσης . Εάν το ποσοστό επιτυχίας είναι χαμηλά , τότε δοκιμάστε την κατάρτιση ενός δικτύου με ένα διαφορετικό σύνολο εκπαίδευσης και τη διακοπή κριτήριο . Επειδή το δίκτυο είναι εκπαιδευμένο , δεν μπορείς να είσαι σίγουρος αν είναι έτοιμο για χρήση μέχρι να το χρησιμοποιήσετε σε πραγματικά δεδομένα .
Η
εικόνων