神經網絡訓練標準：如何訓練多個類別（即形狀和顏色）沒有過度訓練

Question

我一直在探索通過神經網絡進行圖像識別。經過一番研究，我開始使用Encog和他們的「ImageNeuralNetwork.java」示例。

在他們的例子，它們使用一個圖像每美國貨幣硬幣（便士，硬幣等）作爲訓練集，然後相應地確定硬幣的給定圖像。

現在我想用他們的例子作爲一個起點來練習不同的圖像。我試圖使用形狀/顏色作爲訓練。例如，我想讓程序識別紅色圓圈和紅色矩形之間的區別，但我也想知道紅色圓圈和藍色圓圈之間的區別。

看完記得，你不應該過度的火車，給訓練圖像的每一個可能的組合（如在這種情況下給予2個不同顏色的圓圈和2個不同顏色的矩形的4個圖像）。

我仍然可以使用Encog的硬幣識別示例來訓練多個類別（形狀和顏色）還是這是另一個概念？如果不提供所有可能的顏色/形狀組合並因此過度訓練，是否可以提供特定的最少數量的訓練圖像？

Answer 1

當談到避免過度訓練時，沒有可靠的拇指規則。它完全取決於您的網絡結構和數據特徵。大多數構建神經網絡的人通過反覆試驗來管理過度訓練（或過度擬合）的問題。只要您的網絡以高準確度對訓練數據進行分類並以低精度測試數據，您就會過度訓練，您需要減少訓練迭代次數並重新構建網絡並不斷重複此操作。所以要回答你的第二個問題，沒有特定的最小數量的圖像。

關於你提到的第一個問題，你絕對可以培養對多個類別，有幾種方法可以做到這一點...無論是通過使每個類型的多個輸出神經元或具有編碼的輸出...但最常見的有每個類別的單獨網絡效果更好。對於顏色或形狀識別，在大多數情況下，與神經網絡相比，主成分分析的效果更好。