Jaringan saraf zinford banyak digunakan dalam tugas pengenalan gambar karena kemampuan mereka untuk mempelajari pola kompleks.Kas ini mempelajari proses implementasi, termasuk perhitungan rinci yang terlibat dalam pelatihan jaringan saraf untuk klasifikasi gambar.

Sia - Sia Desain Jaringan Neural

Jaringan terdiri dari lapisan input, satu lapisan tersembunyi, dan lapisan output. Untuk kesederhanaan, pertimbangkan sebuah dataset kecil dengan gambar yang diwakili oleh 4 piksel masing-masing. Lapisan input memiliki 4 neuron, lapisan tersembunyi memiliki 3 neuron, dan lapisan output memiliki 2 neuron yang mewakili dua kelas.

Berat Awal dan Bias

Berat badan badan diinisialisasi secara acak. Misalnya, berat antara input dan lapisan tersembunyi adalah:

  • HANFAIL W11 = 0.2
  • HAN12 = -0.3
  • HANFAIL W13 = 0. 4
  • HANCAN WAN21 = -0.5
  • HANFAIL W22 = 0.1
  • HANCANFA W23 = -0.2
  • ifland W31 = 0.3
  • HANCANFA W32 = -0.4
  • HANFAIL W33 = 0.2

Biases ditetapkan ke nol awalnya untuk kesederhanaan.

Propagasi dan Perhitungan Ekstra Ekstra Ekstra Ekspansi

Diberikan gambar masukan dengan nilai piksel [0.5, 0.2, 0.1, 0.7], input lapisan tersembunyi dihitung sebagai:

HAN1 = (0.5)(0.2) + (0.2)( 0.3) + (0.1)(0.4) = 0.1 - 0.06 + 0.04 = 0.8

HAN2 = (0.5)(-0.5) + (0.2)(0.1) + (0.1)(-.2) = -0.25 + 0.02 - 0.02 = -0.25

HAN3 = (0.5)(0.3) + (0.2)(- 0.4) + (0.1)(0.2) = 0.15 - 0,08 + 0.02 = 0.0

Flemold Menerapkan fungsi pengaktifan, seperti sigmoid, output lapisan tersembunyi adalah:

⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

Keluaran-output tersebut kemudian digunakan sebagai input ke lapisan output, di mana beratnya sama diterapkan untuk menghitung probabilitas kelas.

Menghitung Pengiraan Galat dan Mengemaskini Berat

Misalkan golongan sejati adalah golongan 1, yang dilambangkan sebagai [1, 0]. Penghitungan lapisan output:

ifle O1 = 1 / (1 + e-z1]

Di mana z1 adalah jumlah terberat dari output tersembunyi. Galat dihitung sebagai:

Losis ifys = 0.5 * (target - output)2

Dengan menggunakan turunan gradien, berat diperbarui berdasarkan kesalahan dan tingkat pembelajaran, misalnya, 0.1.

Ringkasan Penghitungan

Proses ini berulang untuk epoch ganda, menyesuaikan berat untuk meningkatkan akurasi. Perhitungan terrinci melibatkan pendaraban matriks, fungsi aktivasi, dan turunan kesalahan, yang penting untuk melatih jaringan saraf secara efektif.