Inspirert av arbeidet i den biologiske hjernen, kan kunstige nevrale nettverk utføre mønstergjenkjenning og klassifikasjon oppgaver som kan være vanskelig å programmere bruke tradisjonelle programmeringsspråk metoder. Nettverk må trenes til å gjøre den jobben de er pålagt å gjøre , og backpropagation er en nonbiological metode for automatisk konfigurering av nettverk for å optimalisere sin oppgave . Ved hjelp av noen få enkle trinn, kan du trene et nettverk uten å forstå den svært komplekse underliggende nettverket . Du trenger
Neural nettverk programvare
Vis flere instruksjoner
en

Velg hva du ønsker å klassifisere og klassene du vil sortere dem inn . De må være i form av adskillbare enheter som hver kan være kodet. For eksempel en liste med binære tall eller piksler av en gråskala bilde , hver mellom 0 og 255 . Dette eksempelet vil bruke en liste over syv binære tall og klassene vil være å avgjøre om det er et oddetall eller partall antall " 1s ".
2

Forbered en trening sett . Denne består av en liste over innganger med riktige utganger for å trene nettverket. For eksempel , 0100110 = odd , 1001011 = selv . Velg din trening satt slik at den gir en god representasjon av omfanget av inn-og utganger , trenger altså ikke bare gi innganger med et likt antall " 1s ".
3

Initialiser nettverk . Velg antall input noder, utgang noder , antall skjulte lag og stoppe kriteriet . Antall input noder er antall elementer i dine innspill . I dette eksemplet er det syv knutepunkter , en for hvert siffer på listen. Det antall utganger blir antall mulige grupperinger . Dette er vanligvis uttrykt i binær for rett klassifisering . I eksemplet er det bare én utgang node - noe som gir en for odd og 0 for selv . De skjulte lag kan være en rekke , men i alle praktiske aldri du skulle ha behov for mer enn to. Den stopper kriteriet er en prosentandel av riktige svar som du ønsker å slutte å trene nettverket. For enkel klassifisering av binære innganger , kan du bruke 100 prosent , men for mer komplekse oppgaver , som for eksempel klassifisere bilder , vil du at dette skal være lavere. Den eneste måten å optimalisere dette er å eksperimentere med trente nettverk for å finne den beste verdien.
4

Start treningsfase . Dette vil benytte treningen satt til å reorganisere nettet inntil stoppe kriteriet er oppfylt . Når dette er oppfylt , vil nettverket bli frelst , og det vil ikke lenger bli omorganisert når en inngang er gitt .
5

Test nettverket på en inngang ikke inkludert i opplæringen sett . Hvis suksessraten er lav , og deretter prøve å trene et nettverk med en annen opplæring sett og stoppe kriterium. Fordi nettverket er trent , kan du ikke være sikker på om det er klart til bruk før du bruker den på reelle data .