การ ศึกษา กรณี: การ เพิ่ม ความ รู้ ใน เครือ ข่าย ประสาท สําหรับ ภาพ ที่ มี ราย ละเอียด เป็น ตัว คํานวณ

เครือข่าย ประสาท ถูก ใช้ อย่าง กว้าง ขวาง ใน งาน ที่ ใช้ ใน การ จํา ภาพ เนื่อง จาก ความ สามารถ ของ พวก เขา ใน การ เรียน รู้ รูป แบบ ที่ ซับ ซ้อน.

การ ออก แบบ เครือ ข่าย ของ เนรัล

เครือข่ายประกอบด้วยชั้นที่ป้อนเข้าไป ชั้นที่ซ่อนอยู่หนึ่งชั้น และชั้นที่ส่งออก เพื่อความเรียบง่าย ให้พิจารณาชุดข้อมูลขนาดเล็กที่มีภาพแทนด้วย 4 พิกเซล ชั้นที่นําเข้ามี 4 เซลล์ประสาท ชั้นที่ซ่อนอยู่มี 3 เซลล์ประสาท และเซลล์เซลล์ที่ส่งออกมี 2 เซลล์ประสาทแทนสองชั้น

น้ํา หนัก ของ ต้น ไม้ และ ต้น ไบ เซส

ตัว อย่าง เช่น น้ํา หนัก ระหว่าง ชั้น ที่ ใส่ เข้า ไป กับ ชั้น ที่ ซ่อน อยู่ คือ:

• W[FLT: 0] 11 = 0.2
• W[FLT: 0] 12 = -0.3.
• W[FLT: 0] 13 = 0.4
• W[FLT: 0]21 = -0.5
• W[FLT: 0] 22 = 0.1
• W[FLT: 0]23 = -0.2.
• W[FLT: 0] 31 = 0.3
• W[FLT: 0]. สืบค้นเมื่อ 20 พฤษภาคม พ.ศ.
• W[FLT: 0]33 =0.

เบสถูกตั้งค่าให้เป็นศูนย์ในตอนแรกเพื่อให้ง่าย

การ อนุมัติ และ การ คํานวณ ล่วง หน้า

เมื่อกําหนดภาพนําเข้าด้วยค่าพิกเซล [0.5,0.0,0.0, 0.7] ค่าที่ป้อนเข้าไปชั้นที่ซ่อนอยู่จะถูกคํานวณเป็น:

H[FLT: 0]1 = (0.0.5) + (0.0.3) + (0.3) + (0.1) (0.0.4) = 0.1–0.06 + 0.04 =0.8.

H[FLT: 0]. สืบค้นเมื่อ 20 พฤษภาคม 2 (201) = (0.0.5) + (0.2) (0.1) + (0.1) (0.0.2) = -0.0.25+ 0.02–0.25.0.25 =0.0.0.25.0.0.0.0.25.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0. สืบค้น. สืบค้น. สืบค้น. สืบค้น.

H[FLT: 0]3 = (0.0.5) + (0.0.4) + (0.0.2) (0.0.2) = 0.15–0.08+0.0.0.9 = 0.09.

การปรับใช้ฟังก์ชันแบบย่อ เช่น ซิกมอยด์ ผลไม้ชั้นที่ซ่อนอยู่คือ:

O[FLT: 0]]. ⁇ ( ⁇ ). ⁇ ( ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ( ⁇ ⁇ ⁇ ⁇ ⁇ (FLT: ⁇ )]] ( ⁇ ⁇ ⁇ 2.

O[FLT: 0]]. สืบค้นเมื่อ 20 พฤษภาคม 2555. "". สืบค้นเมื่อ 20 พฤษภาคม 2556".

O[FLT: 0]]]. ⁇ = 1/1/1+ e^.0.0.0. ⁇ ⁇ ⁇ ⁇ ⁇ 2.

แล้ว ก็ ใช้ ส่วน ที่ ออก มา เป็น ส่วน ที่ นํา มา ใช้ ใน ชั้น ส่ง ซึ่ง มี การ นํา น้ํา หนัก ไป ใช้ ใน การ คํานวณ ความ เป็น ไป ได้ ใน ชั้น.

การคํานวณผิดพลาดและการปรับปรุง weights

สมมุติ ว่า ชั้น ที่ แท้ จริง คือ ชั้น 1, แทน ด้วย 1, 0.

O₁ = 1/1] (1/1+ e ^{-z₁)[FLTT:5]] [[FLT: 5]]]}

โดย Z[FLT: 0]1 เป็นผลรวมน้ําหนักที่ถ่วงน้ําหนักของผลลัพธ์ที่ซ่อนอยู่ โดยค่าผิดพลาดจะถูกคํานวณเป็น:

แพ้ = 0.5 * (Target - out)²

โดยใช้เกรเดียนที่ไหลลงมา น้ําหนักจะปรับปรุงตามความผิดพลาดและอัตราการเรียนรู้ ตัวอย่างเช่น 0.1

สรุป การ คํานวณ

กระบวนการ นี้ ซ้ํา อีก ใน หลาย ยุค หลาย สมัย การ ปรับ น้ํา หนัก เพื่อ ปรับ ปรุง ความ แม่นยํา.