我正在尝试添加单层神经网络的代码,该网络将位图作为输入,并且有26个输出用于字母表中每个字母的可能性。
我的第一个问题是关于正在添加的单个隐藏层。我是否认为隐藏层只有自己的一组输出值和权重?它不需要有自己的偏见'?
我还可以确认我正在考虑前馈方面吗?这是一些伪代码:
// input => hidden
for j in hiddenOutput.length:
sum=inputs*hiddenWeights
hiddenOutput[j] = activationFunction(sum)
// hidden => output
for j in output.length:
sum=hiddenOutputs*weights
output[j] = activationFunction(sum)
假设这是正确的,培训会是这样的吗?
def train(input[], desired[]):
iterate through output and determine errors[]
update weights & bias accordingly
iterate through hiddenOutput and determine hiddenErrors[]
update hiddenWeights & (same bias?) accordingly
在此先感谢您提供任何帮助,我已经阅读了很多示例和教程,而且我仍然无法确定如何正确执行所有操作。
答案 0 :(得分:1)
我学到的关于神经网络的事情是,你永远不知道他们为什么工作(或不工作)。仅此一点就是让它远离医学和金融领域的理由。
答案 1 :(得分:0)
您可能需要阅读http://www.ai-junkie.com/ann/evolved/nnt1.html。在那里,它提到了你正在做的事情。它还提供了代码以及(大多数)简单的解释,了解它是如何学习的。尽管学习方面与前馈完全不同,但我们希望能够为您提供有关NN本质的一些想法。
我相信即使隐藏和输出层也应该有偏见。
同样NN可能很棘手,首先尝试识别1个字母。仅从单个输出获得一致的高/低信号。然后尝试用同一个字母的不同变体保持该信号。然后你可以进步并添加更多。您可以通过教授26个不同的网络来实现这一点,这些网络仅在匹配时提供输出。或者你可能把它作为一个具有26个输出的大型NN。两种不同的方法。
答案 2 :(得分:0)
就使用偏见术语而言,我发现Why use a bias/threshold?中的comp.ai.neural-nets FAQ部分非常有用。我强烈建议阅读常见问题解答。