Inspireret af arbejdet i den biologiske hjerne, kan kunstige neurale netværk udføre mønstergenkendelse og klassificering opgaver, der kan være svære at programmere ved hjælp af traditionelle programmerings metoder. Netværk skal uddannes til at gøre det job, de er forpligtet til at gøre, og backpropagation er en ikke-biologiske metode til automatisk at konfigurere netværket til at optimere sin opgave. Brug et par enkle trin , kan du træne et netværk uden at forstå den meget komplicerede underliggende netværk. Ting du skal
Neurale netværk software
Vis Flere Instruktioner
1

vælge, hvad du gerne vil klassificere , og de klasser , du ønsker at sortere dem i . De skal være i form af adskillelige enheder, der hver kan kodes . For eksempel . En liste over binære tal eller pixels i et gråskalabillede , hver mellem 0 og 255 Dette eksempel vil bruge en liste med syv binære tal , og de ​​klasser vil være at afgøre, om der er et lige eller ulige antal " 1s ".
2

Forbered en uddannelse sæt . Denne består af en liste over indgange med korrekte udgange til at træne netværket. For eksempel 0100110 = ulige , 1001011 = selv . Vælg din træning indstillet, så det giver en god repræsentation af den vifte af input og output , behøver altså ikke kun give indgange med et lige antal " 1s . "
3

Initialiser netværket . Vælg antallet af input noder , output noder , antal skjulte lag og stoppe kriterium. Antallet af input noder er antallet af elementer i dit input. I dette eksempel er der syv knudepunkter , en for hvert ciffer på listen . Antallet af udgange vil være antallet af mulige klassifikationer. Dette udtrykkes sædvanligvis i binær til lige klassifikation . I eksemplet er der kun én output node - give 1 for ulige og 0 for selv . De skjulte lag kan være mange , men i alle praktiske , bør du aldrig brug for mere end to. Bremselængden kriterium er en procentdel af korrekte svar , hvor du ønsker at stoppe træne netværket. Til enkel klassificering af binære indgange , kan du bruge 100 procent , men for mere komplekse opgaver, såsom at klassificere billeder , du ønsker det at være lavere . Den eneste måde at optimere denne er at eksperimentere med uddannede netværk til at finde den bedste værdi.
4

Start træningen fasen. Dette vil bruge uddannelsen indstillet til at omorganisere netværket, indtil stop kriterium er opfyldt . Når dette er opfyldt, vil netværket blive gemt, og det vil ikke længere blive reorganiseret når en indgang er givet.
5.

Test netværket på en indgang ikke inkluderet i træningssættet . Hvis succesraten er lav, så prøv at træne et netværk med et andet træningssæt og stop kriterium. Fordi netværket er uddannet , kan du ikke være sikker på om det er klar til brug , indtil du bruger det på virkelige data.