Inspirado pelo funcionamento do cérebro biológico , as redes neurais artificiais podem realizar tarefas de reconhecimento de padrões e classificação que podem ser difíceis de programar usando métodos de programação tradicionais. Redes precisam ser treinados para fazer o trabalho que eles são obrigados a fazer, e backpropagation é um método não-biológica de configurar automaticamente a rede para otimizar a sua tarefa. Utilizando alguns passos simples , você pode treinar uma rede sem entender a rede subjacente altamente complexa. Coisas que você precisa
software de rede neural
Show Mais instruções
1

Escolha o que você gostaria de classificar e as classes que você deseja classificá-los em . Devem ser na forma de unidades separáveis ​​que cada um pode ser codificado . Por exemplo , uma lista de números binários ou pixels de uma imagem em escala de cinzentos , cada um entre 0 e 255 . Este exemplo irá utilizar uma lista de sete números binários e as aulas serão de decidir se existe um número par ou ímpar de "1s ".
2

Preparar um conjunto de treinamento. Este é constituído por uma lista de entradas com as saídas corretas para treinar a rede . Por exemplo, 0100110 = estranho ; 1001011 = mesmo . Escolha o seu conjunto de treinamento para que ele dá uma boa representação do conjunto de entradas e saídas, ou seja, não só dar entradas com um número par de "1s ".
3

Inicializar a rede . Escolha o número de nós de entrada , nós de saída , número de camadas escondidas e o critério de parada. O número de nós de entrada é o número de elementos em sua entrada. Neste exemplo , há sete nós , uma para cada dígito na lista . O número de saídas será o número de possíveis classificações . Este é normalmente expressa em binário para a classificação direta. No exemplo, há apenas um nó de saída - dando- 1 para ímpar e 0 para par. As camadas ocultas pode ser qualquer número , mas com toda a praticidade que você nunca deve precisar de mais do que dois. O critério de parada é uma porcentagem de acertos em que você quer parar de treinar a rede . Para a classificação simples de entradas digitais , você pode usar 100 por cento, mas para tarefas mais complexas , como a classificação de imagens, você quer que isso seja mais baixo. A única maneira de otimizar essa é a experiência com redes treinadas para encontrar o melhor valor.
4

Comece a fase de treinamento . Isto irá usar o conjunto de treinamento para reorganizar a rede até que o critério de parada seja satisfeita. Quando isso for cumprido, a rede será salvo e que deixará de ser reorganizado quando uma entrada é dado.
5

Teste a rede de uma entrada não incluído no conjunto de treinamento . Se a taxa de sucesso é baixa, em seguida, tentar treinar uma rede com um conjunto de treinamento diferente e parar critério. Como a rede é treinado , você não pode ter certeza se ele está pronto para uso até que você usá-lo em dados reais .