1700530774
1700530775
设置神经元的其他层面：
1700530776
1700530777
设置神经元总层数为M。每一层单独设置该层的神经元针对第i层：
1700530778
1700530779
·在第i层中创建Ni个神经元。该层的每个神经元单独设置，将每个神经元的多个输入与第（i–1）层上的各个神经元输出“连接”（详见下文“变量”）
1700530780
1700530781
·给每个建立的连接赋予一个初始“突触强度”（即权值）。这些初始权值可以相同，也可随机赋值，或者根据另一种方法赋值（详见下文）
1700530782
1700530783
·第M层的各个神经元输出则为该神经网络的输出（详见下文“变量”）
1700530784
1700530785
识别测试
1700530786
1700530787
每个神经元是如何工作的：
1700530788
1700530789
一旦创建了神经元，它就要进行识别测试，每一次测试都要执行如下内容：
1700530790
1700530791
·每一个输入神经元的加权值=与神经元的该条输入另一端相连的神经元输出值（或初始输入值）×该连接的突触强度
1700530792
1700530793
·将输入至神经元的所有加权值求和
1700530794
1700530795
·如果求和结果大于神经元的阈值，那么该神经元就被当作“已触发”且输出为1;否则，输出是0（详见下文“变量”）
1700530796
1700530797
每一次识别测试执行的力度：
1700530798
1700530799
从第0层到第M层中的每一层；
1700530800
1700530801
对每一层上的每一个神经元：
1700530802
1700530803
·将输入加权值相加[每个改正输入权值=与该神经元的该条输入另一端相连的神经元的输出值（或初始输入值）×该连接的突触强度]
1700530804
1700530805
·如果输入加权值之和大于该神经元的阈值，设置神经元的输出为1，否则设置为0
1700530806
1700530807
训练神经网络
1700530808
1700530809
·在样本问题上重复运行识别测试
1700530810
1700530811
·在每次实验过后，修正所有神经元之间连接的突触强度，以便改善本次测试后神经网络的性能（见下文关于如何做到这一点的探讨）
1700530812
1700530813
·继续训练，直到神经网络的精确率不再提高（即，到达渐近线）
1700530814
1700530815
关键设计决策
1700530816
1700530817
在上述简单的模式中，递归算法的设计者需要在一开始就做下列决定：
1700530818
1700530819
·输入数字代表什么
1700530820
1700530821
·神经元层数的数量
1700530822
1700530823
·每一层神经元的数量（每一层神经元的数量没必要完全一致）
[
上一页 ]
[ :1.700530774e+09 ]
[
下一页 ]