Geïnspireerd door de werking van het biologische brein , kunstmatige neurale netwerken kan patroon herkenning en classificatie taken die moeilijk te programmeren met behulp van traditionele methodes van programmering kan worden uitgevoerd . Netwerken moeten worden opgeleid om het werk dat ze moeten doen , en backpropagation is een niet-biologische methode van het netwerk automatisch configureren om zijn taak te optimaliseren . Met behulp van een paar eenvoudige stappen , kunt u een netwerk trainen zonder begrip van de zeer complexe onderliggende netwerk . Wat je nodig hebt neurale netwerk software Toon Meer Aanwijzingen 1 Kies wat je wilt classificeren en de klassen die u ze wilt sorteren in . Zij moeten in de vorm van gescheiden eenheden die elk worden gecodeerd . Bijvoorbeeld , een lijst met binaire getallen of pixels van een afbeelding grijswaarden van , elk tussen 0 en 255 . Dit voorbeeld zal een lijst van zeven binaire getallen gebruiken en de lessen zal zijn om te beslissen of er een even of oneven aantal " 1s . " Kopen van 2 Bereid een training set . Deze bestaat uit een lijst met ingangen met de juiste uitgangen op het netwerk te trainen . Bijvoorbeeld , 0100110 = oneven ; 1001011 = zelfs . Kies uw opleiding ingesteld dus het geeft een goede weergave van het bereik van de in-en uitgangen , dwz niet alleen geven ingangen met een even aantal " 1s . " 3 initialiseren van het netwerk . Kies het aantal in- knooppunten , output nodes , aantal verborgen lagen en het stopcriterium . Het aantal inputknopen is het aantal elementen in de invoer . In dit voorbeeld zijn er zeven knooppunten , een voor elk cijfer in de lijst . Het aantal uitgangen het aantal mogelijke classificaties zijn . Dit wordt meestal uitgedrukt in binaire voor rechte indeling . In het voorbeeld is er maar een uitgang knooppunt - het geven van 1 voor oneven en 0 voor een nog . De verborgen lagen kan elk getal zijn , maar in alle praktisch moet je nooit meer nodig dan twee . Het stopcriterium is een percentage juiste antwoorden waarop u wilt stoppen met trainen van het netwerk . Voor eenvoudige indeling van de binaire ingangen , kunt u gebruik maken van 100 procent , maar voor meer complexe taken , zoals het classificeren van beelden , u wilt dat dit lager zijn . De enige manier om dit te optimaliseren is om te experimenteren met getrainde netwerken om de beste prijs te vinden . 4 Start de trainingsfase . Dit zal het ingesteld op het netwerk te reorganiseren totdat het stopcriterium is voldaan training gebruiken . Wanneer deze wordt voldaan , zal het netwerk worden opgeslagen en zal het niet langer worden gereorganiseerd als een input wordt gegeven . 5 Test het netwerk op een ingang die niet in de training set . Als het slagingspercentage laag is , probeer dan het trainen van een netwerk met een andere trainingsset en stoppen criterium . Omdat het netwerk wordt getraind , kun je niet zeker zijn als het klaar is voor gebruik totdat je het gebruikt op echte data .
|