Inspiré par les rouages du cerveau biologique , les réseaux de neurones artificiels peuvent effectuer des tâches de reconnaissance et de classification modèle qui peut être difficile à programmer en utilisant des méthodes de programmation traditionnels . Les réseaux ont besoin d'être formés pour faire le travail qu'ils sont tenus de le faire , et backpropagation est une méthode non biologique de configurer automatiquement le réseau pour optimiser sa tâche. En utilisant quelques étapes simples , vous pouvez former un réseau sans comprendre le réseau sous-jacent très complexe. Choses que vous devez
Neural réseau logiciel
Voir Plus Instructions
1
choisir ce que vous souhaitez classer et les classes que vous voulez trier en . Ils doivent être sous la forme d' unités séparables qui peuvent chacun être codé. Par exemple , une liste de nombres binaires ou des pixels d'une image en niveaux de gris , chacun compris entre 0 et 255 . Cet exemple va utiliser une liste de sept nombres binaires et les classes sera de décider s'il ya un nombre pair ou impair de "1 ".
2
préparer un ensemble de formation. Il s'agit d'une liste d'entrées avec des sorties correctes pour former le réseau. Par exemple, 0100110 = impair; 1001011 = même . Choisissez votre formation réglée de sorte qu'il donne une bonne représentation de la gamme des entrées et des sorties , c'est à dire ne donnent pas seulement des entrées avec un nombre pair de "1 ".
3
initialiser le réseau . Choisissez le nombre de nœuds d'entrée , les noeuds de sortie , le nombre de couches cachées et le critère d'arrêt . Le nombre de nœuds d'entrée est le nombre d'éléments dans votre entrée. Dans cet exemple , il ya sept nœuds , un pour chaque chiffre sur la liste . Le nombre de sorties sera le nombre de classifications possibles. Cela est généralement exprimé en binaire pour la classification droite. Dans l'exemple , il ya un seul nœud de sortie - pour donner 1 impair et 0 pour même . Les couches cachées peuvent être n'importe quel nombre , mais en toute praticité vous ne devriez jamais avoir plus de deux. Le critère d'arrêt est un pourcentage de réponses correctes à laquelle vous souhaitez arrêter l'entraînement du réseau. Pour classification simple des entrées binaires , vous pouvez utiliser 100 pour cent, mais pour des tâches plus complexes, telles que la classification des images, vous voulez que ce soit plus faible. La seule façon d' optimiser ce est d'expérimenter avec les réseaux formés pour trouver la meilleure valeur.
4
Début de la phase de formation. Nous allons utiliser l'ensemble d'apprentissage de réorganiser le réseau jusqu'à ce que le critère d'arrêt est atteint. Lorsque cette fonction est remplie, le réseau sera enregistrée et il ne sera plus réorganisé lorsqu'une entrée est donnée .
5
tester le réseau sur une entrée non incluse dans l'ensemble de la formation. Si le taux de réussite est faible , alors essayez la formation d'un réseau avec un ensemble de formations différentes et critère d'arrêt . Parce que le réseau est formé , vous ne pouvez pas être sûr si il est prêt à être utilisé jusqu'à ce que vous l'utilisez sur des données réelles.
