在Aforge中使用反向傳播學習

我是神經網絡的新手，我正在使用Aforge神經網絡庫進行字符識別任務。我想使用反向傳播來訓練我的網絡。以下是AForge文檔中給出的代碼。在Aforge中使用反向傳播學習

// initialize input and output values 
     double[][] input = new double[4][] { 
       new double[] {0, 0}, new double[] {0, 1}, 
       new double[] {1, 0}, new double[] {1, 1} 
      }; 
     double[][] output = new double[4][] { 
       new double[] {0}, new double[] {1}, 
       new double[] {1}, new double[] {0} 
      }; 
     // create neural network 
     ActivationNetwork network = new ActivationNetwork(
      SigmoidFunction(2), 
      2, // two inputs in the network 
      2, // two neurons in the first layer 
      1); // one neuron in the second layer 
     // create teacher 
     BackPropagationLearning teacher = new BackPropagationLearning(network); 
     // loop 

     while (!needToStop) 
     { 
      // run epoch of learning procedure 
      double error = teacher.RunEpoch(input, output); 
      // check error value to see if we need to stop 
      // ... 
     }

但我不知道如何決定層和神經元的ActivationNetwork的數目。任何幫助，將不勝感激。謝謝。

來源

2013-06-12 kinath_ru

我不知道到底，但在我看來，網絡只能返回兩個答案 - 0和1。所以一個神經元是0和1秒，而第二層選擇最大值。

來源

2013-07-08 13:49:15 santoni7

對於XOR你需要一個隱藏層，因爲輸出的真值表是0,1,1,0這意味着你不能用一個幾何線條分隔這些模式。 here is the proof optically。如果你可以用一條線分割模式空間，你可以使用一個感知器，典型的例子是OR，AND。在這些情況下，您不使用隱藏層，因爲它們是線性分隔的。嘗試使相應的圖形清楚地看到並理解它。在所有情況下，您都有類> 2或類不是線性分隔的，您必須使用隱藏層。對於XOR，你需要一個隱藏層（隱藏層是網絡的計算層），因爲一個隱藏層可以分成類。現在由於有兩個類，我們將有一個輸出。這可以通過這個計算：outputNeurons < = 2^NN =的，例如類NUM，如果你有3個班需要2個OutputNeurons監守2^2 = 4 < 3.現在在隱藏層，我們使用的神經元監守我們有兩條線圖片1，兩條線之間的區域稱爲決策區域1，並且位於被稱爲決策區域2的線條之外。因此，我們將有兩個決策函數，因此我們必須具有兩個感知器，因爲感知器將一個決策區域分類並且數學項是func σ（x）=Σw* x + w0，並且在一個感知的情況下，我們通常用於激活階梯函數（如果σ> 0，stepFunc（σ）= 1或者如果s < = 0，則stepFunc（σ）= 0）。隱藏層中的第一個神經元是第一個決策區域，第二個是第二個決策區域。第一個決策區使用第一感知器將模式（1,1）與其他模式分開，第二感知器將模式（0,0）與其他模式分開。總之，看看評價：
ActivationNetwork網絡=新ActivationNetwork（ SigmoidFunction（2），//這裏是激活FUNC在這種情況下乙狀結腸 2，//在網絡 - >一個表兩個輸入每次[0,1] [1,1] [1,0] [1,1] 2，//第一層中的兩個神經元 - >隱藏層 1）;在第二層 - //一個神經元>輸出層

背面誤差傳播是一種算法，不能在這裏告訴你它是如何工作的。你可以在這裏看到更多細節。

希望它有助於更好地理解簡單神經元網絡的整體思想，但如果您想使用這些類型的Aforge我的意見是你必須閱讀神經網絡背後的理論

來源

2017-08-09 09:04:53 ggeorge

在Aforge中使用反向傳播學習

回答

相關問題