컴퓨터로 훈련된 신경망을 앱에 이식하는 방법
Google AI 작성 프로젝트: 신경망 유사 원본
컴퓨터로 훈련된 신경망을 앱에 이식하는 방법
고양이 에 대해 글을 쓰는 데는 두 가지 생각이 있습니다 .
온라인 방식: 모바일 단말기에서 예비 전처리를 하고 데이터를 서버로 전송하여 딥 러닝 모델을 실행합니다.이제 많은 앱이 이 아이디어를 기반으로 합니다.장점은 이 방식의 배포가 비교적 간단하고 준비가 되어 있다는 것입니다. made frameworks(caffe, theano, mxnet, Torch) 가능 패키징 후 바로 사용 가능 서버가 고성능이고 비교적 큰 모델도 처리 가능 단점은 인터넷 연결이 필요함.
다른 하나는 오프라인 방식으로 하드웨어 성능에 따라 적절한 모델을 배포합니다. 장점은 오프라인에서 수행할 수 있다는 것입니다.
단점도 분명합니다. mxnet 안드로이드 앱의 예시가 있고(Leliana/WhatsThis GitHub), Torch 7도 soumith/torch-android GitHub의 안드로이드 버전이니 참고하시면 됩니다, 물론 강력한 프로그래밍 기술이 있다면 네트워크 프리퀄 코드를 직접 작성할 수 있습니다.
컴퓨터로 훈련된 신경망을 앱에 이식하는 방법
이것은 다시 프로그래밍해야 합니다. 컴퓨터의 프로그램이 휴대폰의 APP 프로그램과 호환되지 않으면 방법이 없습니다.
또는 해당 파일이 일치하는 경우 일반적으로 APP 프로그램의 특정 파일에 작성해야 합니다.먼저 컴퓨터 프로그램에서 작성한 파일을 찾은 다음 모바일의 프로그램이 있는 위치에 복사해야 합니다. APP은 읽기를 용이하게 하기 위해 작성되었습니다.
NeuroSolutions for Excel의 기능은 다중 신경망을 구현할 수 있습니까?
신경망은 새로운 환경에 적응할 수 있는 시스템으로, 과거 경험(정보)의 반복 학습을 위해 분석, 예측, 추론, 분류하는 능력을 가지고 있으며, 복잡한 문제를 해결하기 위해 인간의 뇌를 모방할 수 있는 시스템입니다. 기존 시스템(통계적 방법, 패턴 인식, 분류, 선형 또는 비선형 방법 사용)과 비교하여 신경망 기반 시스템은 더 강력한 기능과 분석 문제 기술을 가지고 있으며 신호 처리, 시뮬레이션 예측, 복잡한 문제를 분석하는 데 사용할 수 있습니다. 의사 결정으로.
현재 신경망은 데이터 집약적인 기업에 널리 적용되고 있습니다. 이 기사는 주로 신경망의 응용 분야를 소개하고 시장에서 가장 강력한 신경망 소프트웨어인 NeuroSolutions를 추천합니다.
신경망 응용 분야 프로세스 모델링 및 제어(프로세스 모델링 및 제어)는 물리적 장치에 대한 신경망 모델을 생성하고 이 모델을 사용하여 장치에 대한 최적의 제어 설정을 결정합니다.
기계 진단(Machine Diagnostics) 기계 고장이 감지되면 시스템이 자동으로 기계를 종료할 수 있습니다.
포트폴리오 관리는 고수익, 저위험 방식으로 투자할 증권 자산을 할당합니다.
표적 인식(Target Recognition)은 영상이나 적외선 이미지 데이터를 통해 적의 표적이 있는지 여부를 감지하는 것으로 군사 분야에서 널리 사용되고 있다.
Medical Diagnosis는 보고된 증상과 MRI, X-ray 영상 데이터를 분석하여 의사의 진단을 지원합니다. 신용등급(Credit Rating)은 기업이나 개인의 재무상태에 따라 자동으로 신용등급을 부여합니다.
표적시장(타깃 마케팅)은 마케팅 활동에 대한 반응률이 가장 높은 집단을 찾기 위한 통계를 기반으로 한다. 음성 인식은 음성을 ASCII 텍스트로 변환합니다.
경제 예측(Financial Forecasting)은 과거 보안 데이터를 통해 미래 경제 활동의 보안을 예측합니다.
품질 관리는 카메라 또는 센서를 생산 공정의 마지막 단계에 연결하여 제품의 결함을 자동으로 확인합니다.
지능형 검색 인터넷 검색 엔진은 사용자의 과거 행동을 기반으로 가장 관련성 높은 콘텐츠와 광고를 제공합니다. 사기 감지 기능은 사기성 신용 카드 거래를 감지하고 자동으로 결제를 거부합니다.
인공 신경망 및 OCR 소프트웨어 응용 사례 소개 기사에서 언급한 광학 문자 인식(OCR)은 인쇄된 문서를 스캔하고 ASCII 텍스트와 같은 전자 형식으로 변환하여 더 쉽게 조작하거나 더 효율적으로 저장할 수 있습니다.
신경망 소프트웨어 권장 사항 NeuroSolutions는 가장 인기 있는 신경망 시뮬레이션 소프트웨어로, 원하는 신경망을 빠르게 구축하고 네트워크를 쉽게 훈련하고 테스트할 수 있도록 도와줍니다.
NeuroSolutions는 90가지 이상의 시각적 신경 구성 요소를 제공하여 사용자가 임의로 다른 네트워크 아키텍처를 연결하고 합성하여 신경망 시뮬레이션 및 전문 응용 프로그램을 실현할 수 있도록 합니다.전문 소프트웨어는 동일한 수준의 다른 제품이 도달할 수 없습니다.
신경망 응용 분야 및 신경망 소프트웨어 권장 사항 NeuroSolutions 기능: 1. 객체 지향적이고 사용하기 쉬운 그래픽 인간-기계 인터페이스, 끌어서 놓기 방법을 사용하여 원하는 네트워크 모델을 구축할 수 있습니다. 2. 도움을 주는 NeuralWizard 제공 필요한 네트워크를 찾아 필요한 모델을 자동으로 구축 3. NeuralExpert 전문가 분석 시스템을 제공하여 쿼리를 통해 네트워크 모델 구축을 지원 4. NeuroSolutions for Excel, Excel을 통해 데이터 입력, 네트워크 구축, 모델 테스트 5. 동적 신경망 모델 분석을 수행합니다.
BP 신경망 인구 예측 프로그램(matlab 구현)
x=[54167 55196 56300 57482 58796 60266 61465 62828 64653 65994 67207 66207 65859 67295 69172 70499 72538 74542 76368 78534 1 11026 112704 114333 115823 117171 118517 119850 121121 122389 123626 124761 125786 126743 127627 128453 129227 129988 13 0756 131448 132129 132802 134480 135030 135770 136460 13 7510]';% 이 스크립트는 NAR 신경망 예측에 사용됩니다% 작성자: Macer Cheng lag=3; % 자동 회귀 순서 iinput=x; % x는 원래 시퀀스(행 벡터)입니다. n=length(iinput);% 입력 준비 그리고 출력 데이터 inputs=zeros(lag,n-lag);for i=1:n-lag inputs(:,i)=iinput(i:i+lag-1)';endtargets=x(lag+1:end);% 네트워크 생성 hiddenLayerSize = 10; %숨겨진 레이어 뉴런 수 net = fitnet(hiddenLayerSize);% 과적합 방지, 교육 분할, 테스트 및 검증 데이터 비율 net.divideParam.trainRatio = 70/100;net .divideParam.valRatio = 15/100; net.divideParam.testRatio = 15/100;% training network [net,tr] = train(net,inputs,targets);%% 차트에 따라 적합 여부 판단 yn=net ( inputs);errors=targets-yn;figure, ploterrcorr(errors) % 오류의 자기상관 그리기 (20lags) figure, parcorr(errors) % 부분상관 그리기 %[h,pValue,stat,cValue]= lbqtest(errors ) % Ljung-Box Q test (20lags) figure,plotresponse(con2seq(targets),con2seq(yn)) % 예측된 추세와 원래 추세 보기%figure, ploterrhist(errors) % error histogram%figure, plotperform(tr) %Error 내림차순%% 여러 기간 동안 아래의 예측 fn=7; %예보 단계의 수는 fn입니다.tr] = train(net,inputs,targets);%% 차트에 따라 적합 여부 판단 yn=net(inputs);errors=targets-yn;figure, ploterrcorr(errors) %The autocorrelation of plotting 오류(20시차) 수치, parcorr(오류) % 부분 상관 관계 그리기 %[h,pValue,stat,cValue]= lbqtest(오류) %Ljung-Box Q 테스트(20시차) 수치,plotresponse(con2seq(대상),con2seq(yn ))% 예측된 추세와 원래 추세 보기 %figure, ploterrhist(errors) % 오류 히스토그램 %figure, plotperform(tr) % 오류 드롭 라인 %% 다음 예측은 미래의 여러 기간을 예측합니다 fn=7; % 예측 단계의 수는 fn 입니다.tr] = train(net,inputs,targets);%% 차트에 따라 적합 여부 판단 yn=net(inputs);errors=targets-yn;figure, ploterrcorr(errors) %The autocorrelation of plotting 오류(20시차) 수치, parcorr(오류) % 부분 상관 관계 그리기 %[h,pValue,stat,cValue]= lbqtest(오류) %Ljung-Box Q 테스트(20시차) 수치,plotresponse(con2seq(대상),con2seq(yn ))% 예측된 추세와 원래 추세 보기 %figure, ploterrhist(errors) % 오류 히스토그램 %figure, plotperform(tr) % 오류 드롭 라인 %% 다음 예측은 미래의 여러 기간을 예측합니다 fn=7; % 예측 단계의 수는 fn 입니다.ploterrhist(errors) %error 히스토그램%figure, plotperform(tr) %오차 하강선%% 여러 기간 fn=7에 대한 아래 예측, %예측 단계의 수는 fn입니다.ploterrhist(errors) %error 히스토그램%figure, plotperform(tr) %오차 하강선%% 여러 기간 fn=7에 대한 아래 예측, %예측 단계의 수는 fn입니다.
f_in=iinput(n-lag+1:end)';f_out=zeros(1,fn); %Forecast output% 다단계 예측의 경우 다음 루프를 사용하여 i=1:fn에 대한 네트워크 출력을 다시 입력합니다 f_out(i )=net(f_in); f_in=[f_in(2:end);f_out(i)];end% 예상도 수치 그리기,plot(1949:2013,iinput,'b',2013:2020, [iinput( end), f_out],'r') 그림 1 자기 상관 그림 2 오류 그림 3 예측 위의 프로그램은 필요에 따라 수정하고 다른 곳에서 사용할 수 있는 한 보편적입니다. 이전 시차를 사용하는 것입니다 인구는 다음 해의 인구를 예측하는 데 사용됩니다 시차는 직접 변경할 수 있습니다.
또한 결과의 좋고 나쁨을 판단함에 있어서 오차 그래프만 보고 판단하는 것이 아니라 좋은 예측이라면 자기상관 그래프에서 0차 자기상관을 제외한 나머지 자기상관 계수는 초과하지 않아야 한다. 상위 및 하위 신뢰 구간.
다른 통계 및 차트는 "%"뒤에 작성되며 필요한 경우 제거하고 사용하십시오.
최종 예측값은 f_out이고 내 예측값은 138701.065269972 139467.632609654 140207.209707364 141210.109373609 141981.285378849 142461.332139592 143056 .0 73139776.
[신경망 시계열] NAR 네트워크 예측 질문, 감사합니다.
NAR 네트워크는 y(t)만 있고, NARX 네트워크는 x(t)와 y(t)만 있고, NAR 네트워크는 지연 벡터에 대한 다음 값만 출력할 수 있습니다. 따라서 루프를 사용하여 컬렉션을 지속적으로 업데이트하여 시간 단계를 진행해야 합니다.
T=tonndata(force,false,false); %입력 및 출력 행렬은 셀형 행렬이어야 하며 num2cell로 변환할 수 없습니다.2차원 셀 행렬을 사용하는 경우 두 개의 입력으로 간주합니다. 강제 데이터 세트에 50개(행 1개)만 있다고 가정합니다.
force_raw=T(1:30); %지연 벡터 1:30에 해당하는 1*30 Xi를 만듭니다. 알려진 행렬입니다.
for j=1:50 %y1의 처음 20개를 강제로 31~50번째 데이터와 비교하여 다음 30개 데이터를 예측할 수 있습니다.
y1(j)=net(T(10),force_raw); %우리는 여기에서 여전히 신의 조언이 필요하며, T(10)은 현재 행렬을 포함하고 숫자는 임의로 선택할 수 있으며 결과는 동일합니다.
1차원 행렬을 출력하는 것만으로 force_raw=[force_raw(2:end),y1(j)]; %Update는 새로운 알려진 행렬을 얻습니다. 단계는 처음 43을 얻는 것입니다.
예측 값을 얻기 위해 지속적으로 업데이트됩니다.
Matlab 신경망 다단계 예측, 롤링 예측 방법
간단한 BP 신경망 예측을 해주세요. 대단히 감사합니다! ! ! 100
정말 외삽 능력이 제한되어 있기 때문에 외삽 모델을 사용하면 좋겠습니다. P=[一월 강수량, 2월 강수량 `5월 강수량, 2월 강수량, 3월 강수량.
`6월 강수량...] T=[6월 강수량, 7월 강수량...] 훈련 후 강수량은 일정 범위 이내이므로 연속적인 확장 특성을 갖지 않는다.[6월 강수량, 7월 강수량.
`11월 강수량]은 [12월 강수량]에서 도출할 수 있으므로 P=[1,2,3,4,5], T=[1월 강수량, 2월 강수량' 5월 강수량], 그러면 6은 유추할 수 없으니 6월 강수량을 모르신다면 계속해서 질문해 주세요.
컴퓨터로 훈련된 신경망을 앱에 이식하는 방법
훈련 중이거나 훈련된 네트워크를 사용하고 있습니까? 훈련인 경우 훈련 데이터의 크기에 따라 다릅니다. 이전에 100,000개의 데이터, 22개의 입력 및 1개의 출력이 있습니다. matlab으로 훈련하는 것도 일반 가정용 컴퓨터입니다.
훈련된 신경망만 사용한다면 구성에 대한 요구 사항이 전혀 없습니다! 각 입력에 대한 예측은 간단한 산술 연산입니다. "신경망의 집"