Inspirerat av arbetena av den biologiska hjärnan , kan artificiella neuronnät utföra mönsterigenkänning och klassificering uppgifter som kan vara svåra att programmera med traditionella programmeringsspråk metoder . Nätverken måste utbildas för att göra det jobb de är skyldiga att göra , och backpropagation är en icke-biologisk metod för att automatiskt konfigurera nätverket för att optimera sin uppgift . Använda några enkla steg kan du träna ett nätverk utan att förstå den mycket komplexa underliggande nätverket . Saker du behöver
Neurala nätverk programvara
Visa fler instruktioner
1
Välj vad du vill klassificera och klasser du vill sortera dem i . De måste vara i form av separerbara enheter som var och en kan kodas . Till exempel, en lista med binära tal eller pixlar av en gråskala , vardera mellan 0 och 255 . Detta exempel kommer att använda en lista med sju binära tal och klasserna blir att besluta om det finns ett udda eller jämnt antal " 1s . "
2
Förbered en utbildning set . Detta består av en lista över ingångar med korrekt inställning för att träna nätet . Till exempel , 0100110 = udda , 1001011 = ännu . Välj din träning inställd så att den ger en bra representation av de olika in-och utgångar , behöver alltså inte bara ge ingångar med ett jämnt antal " 1s . " Addera 3
Initiera nätverket . Välj antal ingångsnoder , noder utgång , antal dolda lager och stoppkriteriet . Antalet ingångsnoder är antalet element i din input . I det här exemplet finns det sju noder, en för varje siffra på listan. Antalet utgångar blir antalet möjliga klassificeringar. Detta brukar uttryckas i binärt för rak klassificering . I exemplet , det finns bara en utgång nod - vilket ger 1 för udda och 0 för ännu . De dolda lager kan vara valfritt antal , men i alla praktiska du aldrig ska behöva mer än två . Den stoppkriteriet är en procentsats av korrekta svar på vilka du vill sluta träna nätverket . För enkel klassificering av digitala ingångar , kan du använda 100 procent , men för mer komplexa uppgifter, såsom att klassificera bilder , du vill att detta skall bli lägre . Det enda sättet att optimera detta är att experimentera med utbildade nätverk för att hitta det bästa värdet .
4
Starta utbildningen fasen . Detta kommer att använda utbildningen inställd på att omorganisera nätet tills stopp kriterium är uppfyllt . När detta är uppfyllt , kommer nätverket att sparas och det kommer inte längre att omorganiseras när en ingång ges .
5
Testa nätverket på en ingång som inte ingår i utbildningen set . Om framgång är låg , sedan försöka utbilda ett nätverk med en annan utbildning set och stoppkriterium . Eftersom nätverket är utbildad , kan du inte vara säker på om den är klar för användning förrän du använder det på verkliga data .
