Các mạng thần kinh được sử dụng rộng rãi trong việc nhận dạng hình ảnh do khả năng của chúng để học các mẫu phức tạp. Trường hợp này nghiên cứu tiến trình thực hiện, bao gồm các phép tính chi tiết liên quan đến việc đào tạo một mạng thần kinh để phân loại hình ảnh.

Thiết kế mạng thần kinh

Mạng này gồm một lớp nhập, một lớp bị ẩn và lớp đầu ra. Để đơn giản, hãy xem một bộ dữ liệu nhỏ có tiêu biểu bằng 4 điểm ảnh. Mỗi lớp nhập có 4 nơ-ron, lớp ẩn có 3 nơ-ron, và lớp xuất có 2 nơ-ron đại diện cho hai lớp.

Sức nặng ban đầu và hệ sinh thái

Trọng lượng được khởi tạo ngẫu nhiên. Ví dụ, trọng lượng giữa đầu vào và lớp ẩn là:

  • 11 = 0.2
  • W12 = - 0.3
  • 13 = 0.4
  • W21 = - 0.5
  • W22 = 1]
  • W23 = - 0.2
  • W31 = 0.3
  • W32 = - 0.4
  • W33 = 0.2

Ban đầu, các con ốc được đặt thành 0 để đơn giản hóa.

Sự tán thành và tính toán trước

Cho một ảnh nhập với giá trị điểm ảnh [0.5, 0.2, 1, 0.7], các dữ liệu nhập vào lớp ẩn được tính toán như:

H1 = (0.5)(0.2) + (0.2) (-0.3) + (0.1)(0.1)(0.4) = 0.0.4) + 0.04 = 0.08

H2 = (0.5)(-0.5) + (0.2) (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) + (0.4) (0.1)(0.2) = 0.15- 0.08 + 0.2 = 0.9.

Áp dụng một hàm kích hoạt, chẳng hạn như hình chữ nhật, kết xuất lớp ẩn là:

O = 1 / (1 + e 0.08

O H2 = 1 / (1 + e 0.25 043]

O H3 = 1 / (1 + e 0.09 ] 052

Các kết xuất được sử dụng như là đầu vào lớp xuất, nơi trọng lượng tương tự được áp dụng cho các xác suất lớp học.

Tính toán lỗi và cập nhật

Giả sử lớp thật là lớp 1, được tượng trưng là 1, 0].

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

Nơi z1 là tổng số lượng lớn đầu ra ẩn. Lỗi được tính như:

Mất mát = 0. 5 * (tearget - đầu ra)2

Sử dụng gradient descent, trọng lượng được cập nhật dựa trên các lỗi và học tập tốc độ, ví dụ, 0.0.

Tóm tắt các tính toán

Quá trình này lặp lại cho nhiều giai đoạn, điều chỉnh trọng lượng để tăng độ chính xác. Tính toán chi tiết bao gồm phép nhân ma trận, hoạt động chức năng và sai số, mà là thiết yếu để đào tạo mạng thần kinh hiệu quả.