وتستخدم الشبكات العصبية على نطاق واسع في مهام التعرف على الصور نظرا لقدرتها على تعلم الأنماط المعقدة، وتستكشف هذه الدراسة الإفرادية عملية التنفيذ، بما في ذلك الحسابات المفصلة التي تنطوي عليها تدريب شبكة عصبية لتصنيف الصور.

تصميم شبكة الظواهر العصبية

وتتألف الشبكة من طبقة مدخلات، وطبقة مخبأة، وطبقة إنتاجية، والنظر في البساطة في مجموعة بيانات صغيرة تضم صوراً تمثلها 4 أكاذيب لكل منها، وطبقة المدخلات بها 4 أعصاب، وطبقة مخبأة بها 3 أعصاب، وطبقة الإنتاج بها صنفان من الأعصاب يمثلون صفين.

الوزن الأولي والبياز

وتبدأ عمليات الارتفاع عشوائيا، فعلى سبيل المثال، تكون الأوزان بين المدخلات والطبقات الخفية هي:

  • W11] = 0.2
  • W12] = 0.3
  • W13] = 0.4
  • W21] = -0.5
  • W22] = 0.1
  • W23] = -0.2
  • W31] = 0.3
  • W32] = 0.4
  • W33] = 0.2

البازلاء مُحددة إلى الصفر في البداية للبساطة.

Propagation and Calculations

ونظرا لصورة مدخلات مع قيم بيكسل ]٠,٥، ٠,٢، ٠,١، ٠,٧[، تحسب مدخلات الطبقات الخفية على النحو التالي:

H1 = (0.5) (0.2) + (0.2) (-0.3) + (0.1 )4,0) = 0.1 - 0.06 + 0.04 = 0.08

H2 = (0.5) (0.2) (0.1) (0.1) + (0.1 (0.2) = 0.2 = 0.25 + 0.02 = = = 0.25 =

H3 = (0.5) (0.2) + (0.2) (-0.4) + (0.1(0.2) = 0.15-0.08 + 0.02 = 0.09

وتطبيق وظيفة تنشيط، مثل الجسيمود، تتمثل نواتج الطبقات الخفية فيما يلي:

OH1 = 1/ (1 + e]-0.08]]) ◂ تضخم قدره 0.52

OH2] = 1/ (1 + e]0.25]) ◂ 0.43

OH3 = 1/1 + e]-0.09]]]) ◂

وتستخدم النواتج بعد ذلك كمدخلات في طبقة الإنتاج، حيث تطبق الأوزان بالمثل على حساب الاحتمالات في الصفوف.

حساب المرطبات والمرتفعات

يفترض أن يكون الفصل الحقيقي هو الصف الأول، الذي يمثله [1، صفر].

O1 = 1/ (1 + e]-z]1]

وحيثما يكون [الإطار التمويلي: صفر]() هو المبلغ المرجح للنواتج الخفية، ويحسب الخطأ على أنه:

Loss = 0.5 * (target - output)2]

وباستخدام النسب المتدرج، يجري تحديث الأوزان استنادا إلى معدل الخطأ والتعلم، على سبيل المثال 0.1.

موجز الحسابات

وتكرر هذه العملية بالنسبة للأعشاب المتعددة، وتكيف الأوزان لتحسين الدقة، وتشمل الحسابات التفصيلية مضاعفة المصفوفة، ووظائف التنشيط، ومشتقات الأخطاء، التي تعد أساسية لتدريب الشبكات العصبية بفعالية.