जटिल पैटर्न सीखने की क्षमता के कारण तंत्रिका नेटवर्क का व्यापक रूप से छवि मान्यता कार्यों में उपयोग किया जाता है। इस मामले का अध्ययन कार्यान्वयन प्रक्रिया की पड़ताल करता है, जिसमें छवि वर्गीकरण के लिए तंत्रिका नेटवर्क को प्रशिक्षण में शामिल विस्तृत गणना शामिल है।

तंत्रिका नेटवर्क को डिजाइन करना

नेटवर्क में एक इनपुट परत, एक छिपी परत और एक आउटपुट परत शामिल है। सादगी के लिए, प्रत्येक 4 पिक्सल द्वारा प्रतिनिधित्व की गई छवियों के साथ एक छोटा डेटासेट पर विचार करें। इनपुट परत में 4 न्यूरॉन्स हैं, छिपी हुई परत में 3 न्यूरॉन्स हैं, और आउटपुट परत में दो कक्षाओं का प्रतिनिधित्व करने वाले 2 न्यूरॉन्स हैं।

प्रारंभिक वजन और बायस

वजन को बेतरतीब ढंग से शुरू किया जाता है। उदाहरण के लिए, इनपुट और छिपी हुई परत के बीच वजन निम्न हैं:

  • W]11 = 0.2
  • W]12 = -0.3
  • W]13 = 0.4
  • W]21 = -0.5
  • W]22 = 0.1
  • W]23 = -0.2
  • W31] = 0.3
  • W32] = -0.4
  • W33 = 0.2

बायस को शुरू में सादगी के लिए शून्य करने के लिए निर्धारित किया गया है।

फॉरवर्ड प्रोपेगेशन और गणना

पिक्सेल मान के साथ एक इनपुट छवि को देखते हुए [0.5, 0.2, 0.1, 0.7], छिपे हुए परत इनपुट की गणना निम्नानुसार की जाती है:

H]1 = (0.5)(0.2) + (0.2)(-0.3) + (0.1)(0.4) = 0.1 - 0.06 + 0.04 = 0.08

H]2 = (0.5)(-0.5) + (0.2)(0.1) + (0.1)(-0.2) = -0.25 + 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

एक सक्रियण समारोह को लागू करना, जैसे कि सिग्मोइड, छिपी हुई परत आउटपुट हैं:

O H1 = 1 / (1 + e ]-0.08 ]) ≈ 0.52

O H2 = 1 / (1 + e 0.25 ]) ≈ 0.43

O H3 = 1 / (1 + e ]-0.09 ]) ≈ 0.52

आउटपुट तब आउटपुट परत के लिए इनपुट के रूप में उपयोग किया जाता है, जहां वजन समान रूप से कक्षा की संभावना को पूरा करने के लिए लागू किया जाता है।

त्रुटि और अद्यतन भार की गणना

मान लीजिए कि सही वर्ग 1 है, जिसे [[, 0] के रूप में दर्शाया गया है। आउटपुट परत computes:

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

जहां z ] 1 छिपा हुआ उत्पादन का भारित योग है। त्रुटि की गणना निम्न प्रकार से की जाती है:

हानि = 0.5 * (लक्ष्य - उत्पादन) 2

उदाहरण के लिए, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,

गणना का सारांश

यह प्रक्रिया कई epochs के लिए दोहराती है, सटीकता में सुधार के लिए वजन को समायोजित करती है। विस्तृत गणनाओं में मैट्रिक्स गुणन, सक्रियण कार्य और त्रुटि डेरिवेटिव शामिल हैं, जो प्रभावी रूप से तंत्रिका नेटवर्क प्रशिक्षण के लिए आवश्यक हैं।