durch das Wirken des biologischen Gehirns inspiriert , können künstliche neuronale Netze führen Mustererkennung und Klassifizierung Aufgaben, die schwierig sein Programm mit traditionellen Programmiersprachen Methoden . Netze müssen geschult, um die Arbeit, die sie tun müssen sind zu tun , und Backpropagation ist ein nicht-biologische Verfahren zur automatischen Konfiguration des Netzwerks , um seine Aufgabe zu optimieren. Mit ein paar einfachen Schritten können Sie ein Netzwerk ohne Verständnis für die hochkomplexen zugrunde liegenden Netz zu trainieren . Things You
Neuronale Netzwerk-Software
brauchen anzeigen Weitere Anweisungen
1

Wählen Sie, was Sie möchten, zu klassifizieren und die Klassen, die Sie wollen, um sie zu sortieren in . Sie müssen in Form von trennbaren Einheiten, die jeweils codiert werden kann sein . Zum Beispiel kann eine Liste von binären Zahlen oder Pixeln eines Graustufenbild , die jeweils zwischen 0 und 255 ist. Dieses Beispiel wird eine Liste von sieben binären Zahlen und die Klassen werden zu entscheiden, ob es eine gerade oder ungerade Anzahl von " 1s . "
2

Bereiten Sie eine Ausbildung gesetzt . Diese besteht aus einer Liste von Eingängen mit Ausgängen , die richtige Netzwerk zu trainieren. Zum Beispiel , 0100110 = ungerade ; 1001011 = even . Wählen Sie Ihre Ausbildung gesetzt , damit es eine gute Darstellung des Bereichs der Ein-und Ausgänge gibt , dh nicht nur geben Eingänge mit einer geraden Anzahl von " 1s . "
3

initialisieren Netzwerk . Wählen Sie die Anzahl der Ein- Knoten -, Ausgangs- Knoten , die Anzahl der verborgenen Schichten und der Stopp- Kriterium . Die Zahl der Eingangs- Knoten die Anzahl der Elemente in der Eingabe . In diesem Beispiel gibt es sieben Knoten , eines für jede Stelle auf der Liste. Die Anzahl der Ausgänge wird die Anzahl der möglichen Klassifikationen sein . Dieser ist in der Regel in binärer für gerade Klassifizierung ausgedrückt. In dem Beispiel , es gibt nur einen Ausgangsknoten - geben 1 für ungerade und 0 für sogar . Die verborgenen Schichten kann eine beliebige Zahl sein , aber in aller Sachlichkeit sollten Sie nie brauchen mehr als zwei. Das Abbruchkriterium ist ein Prozentsatz der richtigen Antworten , an dem Sie aufhören wollen, die Ausbildung des Netzwerks. Für einfache Klassifizierung der binären Eingänge , können Sie 100 Prozent, aber für komplexere Aufgaben , wie Klassifizieren von Bildern , möchten Sie diese niedriger zu sein . Der einzige Weg, dies zu optimieren ist das Experimentieren mit ausgebildeten Netzwerke um den besten Wert zu finden.
4

Beginn der Trainingsphase . Dies wird mit der Ausbildung gesetzt , um das Netzwerk zu reorganisieren , bis das Abbruchkriterium erfüllt ist. Wenn dies erfüllt ist, wird das Netzwerk gespeichert werden, und es wird nicht mehr neu , wenn eine Eingabe gegeben werden.
5

-Test das Netz an einem Eingang nicht in der Trainingsmenge enthalten. Wenn der Erfolg gering ist , dann versuchen die Ausbildung ein Netzwerk mit einer anderen Ausbildung gesetzt und Abbruchkriterium . Da das Netzwerk trainiert wird , können Sie nicht sicher sein, ob es bereit für den Einsatz ist, bis Sie es auf realen Daten.