Come utilizzare backpropagation Neural Networks

Ispirato dal funzionamento del cervello biologico , le reti neurali artificiali possono eseguire modello compiti di riconoscimento e di classificazione che possono essere difficili da programmare utilizzando i metodi di programmazione tradizionali . Le reti devono essere addestrati a fare il lavoro sono tenuti a fare, e backpropagation è un metodo non-biologica di configurare automaticamente la rete per ottimizzare il suo compito . Utilizzando alcuni semplici passaggi , è possibile addestrare una rete senza comprendere la rete sottostante molto complessa . Cose che ti serviranno
rete neurale software
Mostra più istruzioni
1

scegliere ciò che si desidera classificare e le classi che si desidera ordinarli in . Essi devono essere in forma di unità separabili che possono ciascuno essere codificati . Ad esempio, un elenco di numeri binari o pixel di un'immagine in scala di grigi , ciascuno tra 0 e 255 . Questo esempio utilizza un elenco di sette numeri binari e le classi sarà quello di decidere se vi è un numero pari o dispari di " 1s ".
2

Preparare un training set . Questo è costituito da un elenco di ingressi con le uscite corrette per addestrare la rete . Per esempio , 0100110 = dispari ; 1001011 = pari . Scegli il tuo allenamento impostato in modo che dà una buona rappresentazione della gamma di ingressi e uscite , vale a dire non solo dare ingressi con un numero pari di " 1s ".
3

inizializzare la rete . Scegli il numero di nodi di input , nodi di uscita , numero di strati nascosti e il criterio di arresto . Il numero di nodi di ingresso è il numero di elementi in ingresso . In questo esempio, vi sono sette nodi , uno per ogni cifra della lista . Il numero di uscite sarà il numero di possibili classificazioni. Questo è di solito espressa in formato binario per la classificazione dritto . In questo esempio , c'è solo un nodo di uscita - dando 1 per dispari e 0 per anche . I livelli nascosti possono essere un numero qualsiasi , ma in tutta la praticità si dovrebbe mai bisogno di più di due. Il criterio di arresto è una percentuale di risposte corrette in cui si desidera interrompere la formazione della rete . Per la semplice classificazione degli ingressi binari , è possibile utilizzare il 100 per cento , ma per compiti più complessi, come classificare le immagini , si vuole che questo è inferiore. L'unico modo per ottimizzare questo è quello di sperimentare con le reti addestrati per trovare il miglior valore .
4

Inizia la fase di addestramento . Questo utilizzerà il training set di riorganizzare la rete fino a quando il criterio di arresto è soddisfatto. Quando questo è raggiunto, il network verrà salvato e non sarà più essere riorganizzato quando viene dato un input .
5

prova la rete su un ingresso non incluso nel set di training . Se il tasso di successo è bassa , quindi provare la formazione di un network con una serie di formazione diversa e criterio di arresto . Poiché la rete è addestrato , non si può essere sicuri se è pronto per l'uso finché non viene usata su dati reali .