Neurala nätverk är en viktig artificiell intelligens teknik , och har varit en stor framgång inom maskininlärning och mönsterigenkänning . De är ibland utnyttjas i program som kräver både mönsterigenkänning och inlärningsförmåga . Den vanligaste typen av neurala nätverk kallas för en " backpropagation nätverk " som tillåter den "coach " för att träna nätet . Instruktioner
1
kod en enda neuron i ditt språk val . Genomförandet detaljerna kommer att variera , men varje neuron måste kunna konsumera flera ingångar , tillämpa en vikt på olika ingångar och sedan använda en " sigmoid funktion " för att producera ett resultat . Den " sigmoid funktionen " kommer att variera beroende på vad nätverket är utformat för att lära sig .
2
Skapa en array av "modell neuroner " i ditt språk val . Skapa ett andra skikt av neuroner. Varje lager av nervceller vidarebefordrar information till ett efterföljande lager av nervceller som kommer att fortsätta att förändra ingångarna tills en utgång skikt läggs fram.
3
Skapa ett utgående lager som gör att du kan ge svaret att det neurala nätverket borde ha producerat . Vid denna punkt måste det neurala nätverket till " backpropagate " svaret på alla de tidigare lager av neuroner. De nervceller måste sedan beräkna ett fel och justera viktningen för de olika ingångarna .
4
Coach ditt neurala nätverk tills den börjar producera lämpliga resultat på ett konsekvent sätt .
Addera
