训练OCR的前馈神经网络

Question

目前我正在学习神经网络，我正在尝试创建一个可以训练识别手写字符的应用程序。 对于这个问题，我使用前馈神经网络，当我训练它识别1,2或3个不同的字符时，它似乎工作。但是当我尝试使网络学习超过3个字符时，它将停留在40 - 60％左右的错误百分比。

我尝试使用多个层次和更少/更多的神经元，但我似乎无法做到正确，现在我想知道前馈神经网络是否能够识别那么多信息。

一些统计数据：

网络类型：前馈神经网络

输入神经元： 100（10 * 10）网格用于绘制字符

输出神经元：要重新定位的字符数

有谁知道我的架构中可能存在的缺陷是什么？输入神经元太多了吗？前馈神经网络是不是能够进行角色定位吗？

Answer 1

对于手写字符识别，您需要

1. 许多训练样例（也许你应该创建训练集的扭曲）
2. 输出层中的softmax激活功能
3. 交叉熵误差函数
4. 使用随机渐变下降进行训练
5. 每层的偏见

一个好的测试问题是手写数字数据集MNIST。以下是在该数据集上成功应用神经网络的论文：

ÿ。 LeCun，L。Bottou，Y。Bengio和P. Haffner：基于梯度的学习应用于文档识别，http://yann.lecun.com/exdb/publis/pdf/lecun-98.pdf

Dan Claudiu Ciresan，Ueli Meier，Luca Maria Gambardella，Juergen Schmidhuber：Deep Big Simple Neural Nets Excel on Handwritten Digit Recognition，http://arxiv.org/abs/1003.0358

我使用784-200-50-10架构训练了一个MLP，并且在测试集上获得了> 96％的准确度。

Answer 2

您可能希望在http://www.ml-class.org关注第3和第4讲。吴教授解决了这个确切的问题。他正在分类10位数（0 ... 9）。他在课堂上所做的一些让他达到95％训练准确度的事情是：

• 输入Nueron：400（20x20）
  • 隐藏层：2
  • 隐藏层的大小：25
  • 激活功能：sigmoid
  • 训练方法：渐变下降
  • 数据大小：5000

Answer 3

检查此示例程序 Handwritten Digit Recognation

程序使用Semeion Handwritten Digit Data Set FANN library

Answer 4

前段时间我遇到了类似的问题，试图使用MNIST数据集来识别手写数字。我的前馈神经网络在验证集上给出了大约92％的准确度，但是经常对我给出的图像进行错误分类。

我通过在网络中添加隐藏图层并使用RMSProp修复了此问题。网现在提供大约97％的准确度，并正确地分类我给它的图像。

此外，如果您的费用没有下降，这可能意味着您的学习率太高或您的网络可能陷入局部最小值。在这种情况下，您可以尝试降低学习率和初始权重。