Neuroverkkoja käytetään laajalti kuvantunnistustehtävissä, koska ne pystyvät oppimaan monimutkaisia kuvioita. Tässä tapaustutkimuksessa tutkitaan toteutusprosessia, mukaan lukien yksityiskohtaiset laskelmat, jotka liittyvät kuvan luokitteluun tarkoitetun neuroverkon kouluttamiseen.

Neuroverkoston suunnittelu

Verkko koostuu sisääntulokerros, yksi piilotettu kerros ja lähtökerros. Yksinkertaisuuden vuoksi harkita pieni aineisto, jossa on 4 pikseliä kutakin. Tuloksen kerros on 4 neuronia, piilotettu kerros on 3 neuronia, ja lähtökerros on 2 neuronia edustavat kaksi luokkaa.

Alkupainot ja Biaasit

Painot alustetaan satunnaisesti. Esimerkiksi syöttö- ja piilokerroksen painot ovat:

  • 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

Biaasit on asetettu nollaan aluksi yksinkertaisuuden vuoksi.

Eteenpäin-lisäys ja laskelmat

Kun otetaan huomioon tulokuva pikseliarvoilla [0,5, 0,2, 0,1, 0,7], piilotetut kerrossyötteet lasketaan seuraavasti:

H1 = (0,5)(0,2) + (0,2)(-0,3) + (0,1)(0,4) = 0,1 - 0,06 + 0,04 = 0,08

H2 = (0,5)(-0,5) + (0,2)(0,1) + (0,1)(-0,2) = -0,25 + 0,02 - 0,02 = -0,25

H3 = (0,5)(0,3) + (0,2)(-0,4) + (0,1)(0,2) = 0,15 - 0,08 + 0,02 = 0,09

Aktivointitoiminnon, kuten sigmoidin, käyttö piilotettuun kerrokseen on:

OH1 = 1 / (1 + e]-0,08) .

OH2 = 1 / (1 + e]0,25[) .

OH3 = 1 / (1 + e]-0,09) .

Tuloksia käytetään lähtökerroksen syöttöinä, joissa painoja sovelletaan samalla tavalla laskentaluokan todennäköisyyden mukaan.

Virheen laskeminen ja painojen päivittäminen

Oletetaan, että todellinen luokka on luokka 1, edustaa [1, 0]. Lähtökerros laskee:

O1] = 1 / (1 + e-z1[]])

Jos z[1 on piilotettujen tuotosten painotettu summa. Virhe lasketaan seuraavasti:

Tappio = 0,5 * (tavoite - tuotos)2

Painot päivitetään gradientin laskeutumisen avulla esimerkiksi virhe- ja oppimisasteen perusteella 0,1.

Yhteenveto laskelmista

Tämä prosessi toistaa useita aikakausia, säätää painoja parantaa tarkkuutta. Yksityiskohtaiset laskelmat sisältävät matriisin kertolaskuja, aktivointitoiminnot, ja virhejohdokset, jotka ovat välttämättömiä kouluttaa hermoverkkoja tehokkaasti.