Тематическое исследование: внедрение нейронных сетей для распознавания изображений с подробными расчетами

Нейронные сети широко используются в задачах распознавания изображений благодаря их способности изучать сложные закономерности.В данном тематическом исследовании исследуется процесс реализации, в том числе детальные расчеты, задействованные в обучении нейронной сети классификации изображений.

Проектирование нейронной сети

Сеть состоит из входного слоя, одного скрытого слоя и выходного слоя. Для простоты рассмотрим небольшой набор данных с изображениями, представленными по 4 пикселя каждый. Входной слой имеет 4 нейрона, скрытый слой имеет 3 нейрона, а выходной слой имеет 2 нейрона, представляющих два класса.

Первоначальные веса и предрасположенности

Весы инициализируются случайным образом. Например, весы между входным и скрытым слоем:

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

Биазы изначально устанавливаются на ноль для простоты.

Продвижение вперед и расчеты

При наличии входного изображения со значениями пикселей [0.5, 0.2, 0.1, 0.7] входы скрытого слоя рассчитываются как:

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 + 0,02 = 0,09

Применяя функцию активации, такую как сигмоид, выходы скрытого слоя:

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

Выходы затем используются в качестве входов в выходной слой, где веса аналогично применяются для вычисления вероятностей класса.

Расчет ошибок и обновление веса

Предположим, что истинный класс представляет собой класс 1, представленный как [1, 0].

O₁ = 1/ (1 + e^-z₁

где z ₁ — взвешенная сумма скрытых выходов.

Убыток = 0,5* (цель - выход)²

С помощью градиентного спуска весы обновляются на основе ошибки и скорости обучения, например, 0,1.

Краткое изложение расчетов

Этот процесс повторяется в течение нескольких эпох, корректируя веса для повышения точности.Подробные вычисления включают умножение матриц, функции активации и производные ошибок, которые необходимы для эффективного обучения нейронных сетей.