Ispirato il funzionamento del cervello biologico, le reti neurali artificiali possono eseguire attività di pattern recognition e classificazione che possono essere difficili da programmare utilizzando metodi di programmazione tradizionale. 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, si può formare una rete senza capire la rete sottostante altamente complessa.

istruzione

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 essere tutti codificati. Per esempio, un elenco di numeri binari o pixel di un'immagine in scala di grigi, ciascuna tra 0 e 255. Questo esempio utilizza un elenco di sette numeri binari e le classi sarà decidere se vi è un numero pari o dispari di "1s. "

2 Preparare una serie di formazione. Questo consiste in un elenco di ingressi con uscite corretti per addestrare la rete. Ad esempio, 0100110 = dispari; 1001011 = ancora. Scegli il tuo training set in modo che dà una buona rappresentazione della gamma di ingressi e uscite, vale a dire non solo dare gli ingressi con un numero pari di "1s".

3 Inizializzare la rete. Scegliere 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 input. In questo esempio, ci 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. Nell'esempio, c'è solo un nodo di uscita - dando 1 per dispari e 0 per ancora. Gli strati 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 di ingressi binari, è possibile utilizzare il 100 per cento, ma per compiti più complessi, come ad esempio la classificazione immagini, si vuole che questo sia inferiore. L'unico modo per ottimizzare questo è quello di sperimentare con le reti addestrate 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 soddisfatta, la rete sarà salvato e non sarà più essere riorganizzata quando viene dato un input.

5 Testare la rete su un ingresso non incluso nel training set. Se il tasso di successo è bassa, quindi provare la formazione di una rete con una serie diversa formazione e l'arresto criterio. Perché la rete è addestrato, non si può essere sicuri se è pronto per essere utilizzato fino a quando lo si utilizza su dati reali.