ニューラルネットワークを理解します
特徴抽出
特徴抽出は:私の理解では、あなたが十分に彼を与えることができるように理解できるコンピュータとして説明したエンティティとしてオブジェクトのデータが、それはそのような人、名前、性別、趣味、出生地、生年月日の定義は...であるということですラベルには、これはラベル機能である、彼が誰であるかを定義することができます。
神経回路網
ニューラルネットワークを使用すると、4つのステップがあります
- ニューラルネットワークへの入力として特徴ベクトルからエンティティ抽出、異なるエンティティが異なる特徴ベクトルに抽出することができます
- ニューラルネットワークの構造を定義し、ニューラルネットワークの入力から出力に取得する方法を定義し、ニューラルネットワーク処理がフロント伝播アルゴリズムであります
- ニューラルネットワークを訓練するプロセスであるトレーニングデータによってニューラルネットワークのパラメータの値を調整するには
- 未知のデータを予測するために訓練されたニューラルネットワークの使用
フォワード伝播
このチャートが示す工程順伝播を見てください
- ニューラルネットワークの入力の入力層に対応
- ニューラルネットワークの接続構造は、異なるノード間の接続であります
- 各ノードのパラメータを決定し、それはWの様々な値を決定することです
そのような入力X1及びX2は、伝播フロントによって得ることができるY.
バックプロパゲーションアルゴリズム
成果の普及後に多くを取得する前に、我々は現在の予測値と真の答えの間のギャップを記述するために損失関数を定義する必要があります。次いで、ギャップを低減することができる値のバックプロパゲーションニューラルネットワークのパラメータを調整します。
これは、一般的アルゴリズムW上値を決定するために使用されます
ニューラルネットワークを訓練
上記の手順は、ニューラルネットワークを訓練の全体のプロセスを実現します。このプロセスから、ニューラルネットワークを訓練するプロセスは以下の3つのステップに分けることができると結論付けることができます。
- 出力構造とニューラルネットワークが定義されて前方に伝播。
- 損失関数は、バックプロパゲーションアルゴリズムの選択と最適化を定義しました。
- セッション(tf.Session)を生成し、トレーニングデータは、バックプロパゲーションの最適化アルゴリズムを繰り返し実行されます。
どのような神経回路網の構造が変更、の3つの手順は同じです。