Inspirado por el funcionamiento del cerebro biológico , las redes neuronales artificiales pueden realizar tareas de reconocimiento de patrones y la clasificación que pueden ser difíciles de programar el uso de métodos tradicionales de programación . Las redes necesitan ser entrenados para hacer el trabajo que tienen que hacer, y backpropagation es un método no biológico de configurar automáticamente la red para optimizar su tarea. Con unos sencillos pasos , usted puede entrenar a una red sin la comprensión de la red subyacente altamente compleja. Cosas que necesitará
Neural red software
Ver Más instrucciones
1

elegir lo que desea clasificar y las clases que desee clasificarlos en . Deben estar en forma de unidades separables que pueden cada uno ser codificado . Por ejemplo , una lista de números binarios o píxeles de una imagen de escala de grises , cada uno entre 0 y 255 . En este ejemplo se utiliza una lista de siete números binarios y las clases será decidir si hay un número par o impar de " 1 s ".
2

Prepare un conjunto de entrenamiento . Esto consiste en una lista de insumos con los resultados correctos para entrenar la red. Por ejemplo , 0100110 = impar , 1001011 = par . Elige tu entrenamiento establecido por lo que da una buena representación de la variedad de entradas y salidas , es decir, no sólo se dan entradas con un número par de " 1s . "
3

inicializar la red . Elija el número de nodos de entrada , los nodos de salida , número de capas ocultas y el criterio de parada. El número de nodos de entrada es el número de elementos en la entrada. En este ejemplo , hay siete nodos , uno para cada dígito en la lista . El número de salidas será el número de posibles clasificaciones. Esto se expresa en binario para la clasificación directa . En el ejemplo, sólo hay un nodo de salida - 1 para dar impar y 0 para el par. Las capas ocultas pueden ser cualquier número , pero con toda la practicidad que nunca deberían necesitar más de dos. El criterio de parada es un porcentaje de respuestas correctas en las que desea detener la formación de la red. Por simple clasificación de entradas binarias , se puede utilizar el 100 por ciento, pero para tareas más complejas, como la clasificación de imágenes , usted quiere que esto sea más baja. La única manera de optimizar este es experimentar con redes entrenados para encontrar el mejor valor.
4

Iniciar la fase de entrenamiento . Esto utilizará el conjunto de entrenamiento para reorganizar la red hasta que se cumpla el criterio de parada . Cuando esto se cumple, la red se guardará y ya no se reorganizó cuando se da una entrada.
5

de prueba de la red en una entrada no incluida en el conjunto de entrenamiento . Si la tasa de éxito es baja , intente formar una red con un conjunto de entrenamiento diferentes y criterio de parada . Debido a que la red está capacitado , no se puede estar seguro de si está listo para su uso hasta que lo utilice en datos reales .