與MATLAB中的神經網絡混淆

Question

我正在使用神經網絡進行字符識別（以及後來的指紋識別）。我對事件的順序感到困惑。我正在用26個字母訓練網絡。後來我會增加這26個乾淨的信件和26個嘈雜的信件。如果我想識別一個字母說「A」，那麼做到這一點的正確方法是什麼？這是我現在正在做的事情。

1）使用26x100矩陣訓練網絡;每行包含一個來自bmp（10x10）分段的字母。 2）但是，對於測試目標，我使用「A」的輸入矩陣。我在第一行之後有25行零，以便我的輸入矩陣與我的目標矩陣具有相同的大小。 3）我運行perform（net，testTargets，輸出），其中輸出是來自26x100矩陣訓練的網絡的輸出。 testTargets是「A」的矩陣。

雖然這似乎不正確。訓練是否單獨承認任何角色？我想要發生的事情如下。

1）爲我選擇的圖像文件（在將圖像處理爲邏輯數組後）訓練網絡。

2）使用此訓練網絡識別不同圖像文件中的字母。

因此，訓練網絡以識別A到Z.然後選擇圖像，運行網絡以查看從所選圖像中識別出哪些字母。

Answer 1

好的，所以似乎這裏的問題似乎更符合「我如何神經網絡」的概念，我可以概述這裏的基本過程，試圖鞏固您的想法，但實際上，實施它你去你自己。我個人認爲專有語言（MATLAB）是一種令人憎惡的東西，但我總是欣賞知識分子的熱情。

神經網絡的基本概念是，你有一系列層次的權重連接它們的節點（取決於你想做什麼，你可以將每個節點連接到上面和下面的層，或連接每個節點或其中的任何地方）。每個節點都有一個「工作函數」或概率函數，表示給定節點或神經元將評估爲「開」或1的機會。一般工作流程始於任何頂層神經元/節點把它們初始化爲你的數據值（在你的情況下，你可能會開始每個這些關閉，因爲圖像中的像素值，歸一化爲二進制將是最簡單的）。這些節點中的每一個然後將乘以一個權重並向下反饋給第二層，根據總和（幾何或算術和，取決於您的實現）將被視爲「隱藏層」，這將與工作函數來確定隱藏層的狀態。

最後一點是有點理論性，很難遵循，所以這裏是一個例子。假設你的第一行有三個節點([1,0,1])，並且將這三個節點連接到第二層的第一個節點的權重類似於([0.5, 2.0, 0.6])。如果你正在做的算術和這意味着，如果您使用的是邏輯功能的功函數（一個非常普遍的在你的「隱藏層」的第一個節點上的權重將

1*0.5 + 0*2.0 + 1*0.6 = 1.1

選擇，雖然tanh也很常見），這會使該節點評估的機會約爲75％。

您可能希望最終圖層有26個節點，每個字母一個，但可以添加更多隱藏層以改善模型。你會假設你的模型預測的字母將是最大權重標題中的最後一個節點。

在你開始運行之後，你想要訓練它，因爲你可能只是隨機播種你的權重，感。這裏有很多不同的方法，但我通常會概述反向傳播，這是一種非常常見的訓練神經網絡的方法。這個想法本質上是，因爲你知道圖像應該被識別哪個字符，所以你將結果與你的模型實際預測的結果進行比較。如果你的模型準確地預測了角色你很好，你可以保持原樣，因爲它工作。如果你預測了一個不正確的字符，你想通過你的神經網絡返回，並增加從你送入的像素節點到應該被預測的字符的結尾節點的權值。您還應該減少導致不正確返回的字符的權重。

希望有幫助，讓我知道你是否還有其他問題。