Neurale netværk er en vigtig kunstig intelligens teknik og har været en stor succes inden for machine learning og mønstergenkendelse . De er undertiden brugt i programmer, der kræver både mønstergenkendelse og indlæringsevne . Den mest almindelige form for neurale netværk kaldes en " backpropagation netværk" , der tillader "træne " at træne netværket . Instruktioner
1
Code en enkelt neuron i dit sprog valg . Nærmere oplysninger om gennemførelsen vil variere , men hver neuron skal være i stand til at forbruge flere indgange , anvende en vægt til forskellige input og derefter anvende et " sigmoid funktion" for at frembringe et resultat. Den " sigmoid funktion" vil variere baseret på, hvad netværket er designet til at lære.
2
Opret en vifte af "model neuroner " i dit sprog valg . Opret et andet lag af neuroner. Hvert lag af neuroner vil videregive oplysninger til en efterfølgende lag af neuroner, der vil fortsætte med at ændre input , indtil et output lag ankom .
3
Opret et output lag, der giver dig mulighed for at give det svar, at det neurale netværk skal have produceret . På dette tidspunkt skal det neurale netværk til " backpropagate " svaret på alle de tidligere lag af neuroner . De neuroner vil derefter nødt til at beregne en fejl, og juster justeringskoefficienten for deres forskellige indgange.
4
Coach din neurale netværk , indtil det begynder at producere de rigtige resultater på et ensartet grundlag .
< Br >