Ang mga network ng Neural ay malawakang ginagamit sa mga atas ng pagkilala sa larawan dahil sa kanilang kakayahan na matuto ng masalimuot na mga huwaran.Ang pag-aaral na ito ay naggagalugad sa proseso ng pagpapatupad, kabilang ang detalyadong mga kalkulasyon na kasangkot sa pagsasanay ng isang neural network para sa klasipikasyon ng imahe.

Pagdidisenyo sa Neural Network

Ang network ay binubuo ng isang input layer, isang nakatagong layer, at isang output layer. Para sa simple, isaalang-alang ang isang maliit na dataset na may mga imahe na kinakatawan ng 4 pixels bawat isa. Ang input layer ay may 4 neuron, ang nakatagong layer ay may 3 neuron, at ang output layer ay may 2 neuron na kumakatawan sa dalawang klase.

Unang mga Timbang at Biyahe

Ang mga timbang ay inisyal na ala-ala. Halimbawa, ang mga timbang sa pagitan ng input at nakatagong patong ay:

  • W[11 = 0.2]
  • W[12 = -0.3
  • W[13 = 0.4]
  • W21 = - 0.5
  • W22 = 0.1
  • W[23 = -0.2]
  • W]31 = 0.3
  • W32 = -0.4
  • W[33 = 0.2]

Ang mga Biase ay inilalagay sa sero sa simula para sa pagiging simple.

Pasulong na Pag - aanak at Pagkalkula

Kung bibigyan ng isang input na larawan na may mga halaga na pixel [0.5, 0.2, 0.1, 0.7], ang natatagong mga input ay kinakalkula bilang:

H[ = = (0.2) + 0.04 = 0.08) + (0.3)(0.1)(0.1) = 0.1 - 0.06 + 0.06 + 0.04 = 0.08 = 0.088)

H = = (0.5) + 0.02 - 0.02 = -0.1) + (0.1)(-0.2) = -0.25 + 0.02 - 0.02 = -0.25.

H3 = = (0.3) + 0.02 = 0.09) + (0.1)(0.2) = 0.15 - 0.08 + 0.08 + 0.09 = 0.09)

Ang paggamit ng isang gawaing pag - aalis ng mga mikrobyo, gaya ng sigmoid, ang natatagong mga layer output ay:

O] [H1 = 1 / (1 + e-0.08) ⁇ [0.52])

O] [ = 1 / (1 + e0.25) ⁇ 0.43])

O]H3 = 1 / (1 + e-0.09) ⁇ [0.52])

Ang mga output ay saka ginagamit bilang mga input sa layer ng output, kung saan ang mga timbang ay din ilalapat sa mga compute class probability.

Pagkalkula sa Pagkakamali at Pag - aayos ng Timbang

Halimbawa ang tunay na klase ay ang klase 1, na kinakatawan bilang [1, 0]. Ang output layer computes:

O[ = 1 / [[[2] -z[1[[[)

Kung saan ang z[1] ay ang bigat ng nakatagong output. Ang pagkakamali ay kinakalkula bilang:

Kawalan = 0.5 * (tatlong - output)

Sa paggamit ng paibabang paibaba, ang mga pabigat ay binabago batay sa pagkakamali at bilis ng pagkatuto, halimbawa, 0.1.

Sumaryo ng mga Pagkalkula

Ang prosesong ito ay nagsasangkot ng paulit - ulit na pagdami, mga gawain, at maling mga produkto, na mahalaga sa mabisang pagsasanay sa mga neural network.