Reti neurali possono essere utilizzate per risolvere una serie di problemi, come i criteri di classificazione in gruppi, riducendo la complessità dei modelli, proiettando modelli multi-dimensionale in schemi di bassa dimensionalità, macchinari, individuano i confini in scene visive e predizione degli eventi di tempo serie. Reti neurali più imparano a risolvere i problemi, quindi tutto quello che dovete fare è selezionare l'architettura di rete neurale corretta e quindi addestrarlo. Questo è grande per problemi che sono così complesse che non hai idea di come risolverli.
Istruzioni
• Scegliere la giusta architettura prima di iniziare. Questo significherà consultare la letteratura per architetture che sono stati utilizzati per risolvere i problemi che sono simili al problema che volete solved. L'architettura di feed-forward è buona per imparare a classificare i modelli se avete un sacco di esempi di modelli di buoni e cattivi. Kononen reti sono buone per il clustering esempi in gruppi. Essi sono anche buoni per ridurre la complessità dei modelli, ad esempio proiettando tre modelli dimensionali su due dimensioni. Reti neurali cellulari (CNN) sono buone per la rilevazione i confini in modelli visivi. Reti di Hopfield sono buone per archiviare un insieme di modelli o immagini e poi trovare l'immagine memorizzata che più si avvicina a un'immagine parziale o rumorosa. Reti neurali ricorrenti sono i migliori per lavorare con modelli che si svolgono nel corso del tempo. Quasi tutte le architetture di rete neurale sono state utilizzate per controllare le macchine.
• Selezionare attentamente i dati di allenamento. Se si lavora con i modelli, i modelli devono essere rappresentativi del dominio di discorso. Ad esempio, se i modelli costituiti da descrizioni fisiche di persone, ci dovrebbe essere sia uomini e donne, persone sia brevi e alti e solo un numero statisticamente realistico del popolo dovrebbe avere i capelli rossi. Se si lavora con una delle architetture (come feedforward o reti ricorrenti) che uso (buoni e cattivi modelli) di apprendimento supervisionato, si dovrebbe avere circa lo stesso numero di buoni e cattivi modelli. Per qualsiasi rete neurale che sta per essere addestrato con una sequenza di pattern, è consigliabile suddividere gli esempi in due gruppi---un gruppo di allenamento e un gruppo di test--- ed entrambi i gruppi devono essere statisticamente rappresentativi del dominio di discorso.
• La rete del treno. La formazione dovrebbe essere fatto con il solo set di training. Dopo aver impostato ogni passaggio attraverso la formazione, la rete deve essere testata con il test set. Non modificare la rete utilizzando il set di testing. Quando la rete identifica correttamente ogni elemento nel set di testing, la rete è addestrato e pronto all'uso. Se la rete non riesce a treno--- o non riesce a migliorare---avete bisogno di una nuova architettura o una nuova serie di esempi di training.
Consigli & Avvertenze
- In alcuni casi la formazione produce una rete migliore se si interrompe un ciclo o due dopo il set di testing è correttamente identificato.
- Non andare troppo lontano oltre il punto in cui il set di testing viene identificato correttamente la rete non generalizzare correttamente.