Vielleicht sind es die großen Wörter, vielleicht sind es alle Zahlen und Gleichungen. Lassen Sie mich mit dem beginnen, was ich weiß und was ich zu tun versuche.
Ich verstehe, dass das in einem neuralen Netzwerk ich habeein Knoten, der Informationen an einen anderen Knoten sendet und so weiter. Ich verstehe, dass in einem Multi-Class-Klassifikation Neural Network, die ich versuche, einen Knoten oder Knoten mit Funktionen zu optimieren und dies zu tun, dass ich trainieren muss. Jetzt, ob oder was ich verstehe, ist richtig ... weitermachen
Was ich versuche, ist ein Problem zu verstehenKlasse Ich versuche zu antworten. Die Frage fordert mich einfach auf, einen Algorithmus für ein Multi-Class-Klassifikation Neuronales Netzwerk zu entwerfen, das mindestens 10 ^ 5 Merkmale hat, und dann muss ich es mindestens 10 ^ 9 mal trainieren.
Hier ist mein aktueller Denkprozess zum Lösendiese. Das ist in der Theorie super einfach. Ich werde dies für eine einfache Erklärung auf die wenigsten Knoten skalieren. Zuerst habe ich einen Eingangsknoten und mein Ziel ist es, einen Ausgangsknoten zu erreichen. Der einzelne Eingangsknoten hat eine Menge Funktionen und dann Ich setze all diese 10 ^ 5 Funktionen durch 10 ^ 9 Züge und schicke dann alles zurück zu einem Ausgangsknoten.
Ist mit diesem Algorithmus etwas nicht in Ordnung? Funktioniert das, was ich vorschlage, tatsächlich? Verstehe ich das richtig? Ich bin mir nicht sicher, ob es so einfach sein sollte, wie ich beschrieben habe, bitte erkläre, wie ich falsch liege und was ich nicht bekomme, wenn ich falsch liege.
Antworten:
0 für die Antwort № 1Normalerweise sind neuronale Netze so aufgebaut. Die Knoten sind in mehrere Ebenen unterteilt. Die erste Schicht ist die Eingabeschicht und es gibt einen Eingabeknoten pro Merkmal. Die letzte Ebene ist die Ausgabeschicht und dies hat einen Knoten pro Klasse, die Sie lernen möchten. Im einfachsten Fall gibt es nur eine Schicht dazwischen, die versteckte Ebene. Wenn Sie mehrere versteckte Schichten haben, werden sie tiefe neuronale Netze genannt.
Hier ist ein Beispiel für ein neuronales Netzwerk für Klassifizierung von Ziffern:
Wenn Sie ein neuronales Netzwerk trainieren, müssen Sie zuerstKlassifizieren Sie das Sample, indem Sie durch das Netzwerk gehen und dann das Netzwerk erneut rückwärts durchlaufen und die Gewichte modifizieren, um das Ergebnis leicht in die richtige Richtung zu verschieben. Das nennt man Rückpropagation.
Sie sollten sich wahrscheinlich einige Beispiele und Anleitungen ansehen, um sich mit diesen Konzepten vertraut zu machen. Dies zum Beispiel.