Hvordan trene Neural Networks

Nevrale nettverk er et informasjonsbehandling paradigmet som er basert på strukturen av den menneskelige hjerne - et system av sammenkoblede elementer tilsvarende nettverket av sammenbundne neuroner i hjernen. En annen likhet er måten "vekter" på de sammenhengene kan endres som læring foregår. Som disse vektene endre oppførselen til de neurale nettverksendringer. Fra et informasjonsbehandling perspektiv, nevrale nettverk gir en tilnærming til problemløsning som ikke er tilgjengelig for programmering løsninger. Nevrale nett er ikke programmert - de er trent.

Bruksanvisning

1 Samle de eksempler som vil bli brukt til å trene det neurale nettverket. Hvordan du gjør dette er avgjørende for opplæringsprosessen. Hvis du ikke starter med gode eksempler, vil mislykkes svært sannsynlig opplæringen. Forutsatt at det neurale nettverk kommer til å skille mellom gode og dårlige mønstre, bør det være omtrent det samme antall av hver, og både gode mønstrene og de dårlige mønstre bør representere en statistisk fordeling av mulige mønstre. Del eksemplene i to sett: treningssettet og testsett. Begge settene bør ha et likt antall av gode og dårlige mønstre og begge sett bør representere en statistisk fordeling av mulige mønstre. Starte separasjon inn i treningssettet og testing innstilt ved å velge tilfeldig. Hvis fordelingen ikke er statistisk representativt, valgte igjen før det er.

2 Gå inn i treningssettet, ett eksempel på en gang. Presentere et eksempel på det nevrale nettverk og, hvis nettverket identifiserer det riktig, gjør ingenting. Hvis eksempelet er feilklassifisert, justere vektene litt slik at svaret ville være litt bedre hvis det samme mønsteret ble presentert for nett igjen. Fortsette hele veien gjennom treningssettet. Etter hver gang gjennom treningssettet, teste nettet med alle eksemplene i testsettet. Ikke endre nettovekt under presentasjoner av testsettet.

3 Fortsett denne syklusen inntil netto korrekt identifiserer alle mønstrene i testsettet. Hvis dette aldri skjer, må du enten et annet nettverk eller et annet sett med eksempler. For eksempel, hvis du bruker en forover nettverk, kan det hende du må endre antallet elementer i det skjulte laget. Hvis problemet er med eksemplene, kan du prøve å velge flere eksempler i settet.

Hint

• Noen forskere rapporterer bedre resultater hvis trening foregår en eller to sykluser forbi det punkt hvor nettverket identifiserer korrekt testsettet.
• Fortsetter altfor langt forbi normal stoppested kan produsere "over opplæring". Dette vil gi et nettverk som er dårligere enn hva det ville ha vært hvis treningen ble stoppet på riktig punkt.