ruby – 应用神经网络识别数字

发布时间：2020-12-17 02:39:59 所属栏目：百科来源：网络整理

导读：我试着去理解神经网络我将输入数组合为 ..# ### ### #.#.## ..# ..# #.#..# ### ### ###..# #.. ..# ..#..# ### ### ..#,etc 期望的ouptut我设置为数字/ 10,即数字= 5输出= 0.5 代码 require 'ruby-fann'train = RubyFann::TrainData.new( inputs: [ [0,1,1

我试着去理解神经网络

我将输入数组合为

..# ### ### #.#
.## ..# ..# #.#
..# ### ### ###
..# #.. ..# ..#
..# ### ### ..#,etc

期望的ouptut我设置为数字/ 10,即数字= 5输出= 0.5

代码

require 'ruby-fann'

train = RubyFann::TrainData.new(
  inputs: [
    [0,1,1],[1,0],1]
  ],desired_outputs: [[0.1],[0.2],[0.3],[0.4],[0.5],[0.6],[0.7],[0.8],[0.9]]
)
fann = RubyFann::Standard.new(
  num_inputs: 15,hidden_neurons: [8,4,3,num_outputs: 1
)
fann.train_on_data(train,100000,10,0.1) # 100000 max_epochs,100 errors between reports and 0.1 desired MSE (mean-squared-error)
outputs = fann.run([0,1])
result = outputs.first
abort result.inspect

每个运行脚本的输出

0.5367386954219215
0.5141728468011051
0.5249739971144654
0.5373135467504666
0.5182686028674102
0.46710004502372293
0.4723526462690119
0.5306690734137796
0.5151398228322749
0.5359153267266001
0.469100790593523
0.4749347798092478
0.5094355973839471
0.5205985468860461
0.5277528652471375
0.4825827561254995

我不明白为什么输出不等于0.1,这与第一次输入完全相同.

什么意味着价值在0.46 – 0.53 diapason？

UPDATE

我用0.1替换0,用0.9替换1

产量

0.4794515462681635
0.5332274595769928
0.4601992972516728
0.427064909364266
0.43466252163025687
0.46931411920827737
0.4455544021835517
0.48051179013023565
0.4798245565677274
0.4479353078492235
0.4646710791032779
0.4887400910135108

此外,我为零位添加1输入,没有发生任何重大事件

解决方法

训练神经网络是一种黑暗的艺术.在这里,您最大的问题是将RMS误差目标设置为0.1 – 这意味着您将接受大于您感兴趣的差异的平均绝对误差.将其设置得更低应该会有很大帮助.

另外(但不太重要)：

>您不需要那么多隐藏层.足够的神经元.从反复试验中我认为你的[8,1]对于这个问题来说有点低(并且最后一个没有用).值[30]似乎有效 – 我基本上通过尝试一些猜测得到了这个.
>分类通常最好通过每个类别一个0/1输出完成,然后选择最大值.你不需要那个,我测试你的0.1,0.2等目标,它就像那样工作得很好.解释为什么单独的输出更好：如果你的输入有一些噪音,理想情况下网络应该在3和8之间选择,那么使用单个输出的中间值可能是0.55 – 即使你绕它也不是很有用价值基本上是不正确的.但是,有9个输出用于分类,“3”和“8”的输出都会很高,你可以选择略高的输出,或者有信心地显示正确的值是“3” “或”8“.
>您选择作为测试用例的问题可能会陷入局部最小值,您需要调整动量和学习率以获得更好的成功机会.
>改组训练数据也可能有所帮助.

您的代码/参数的以下更改应该更接近您期望的结果：

require 'ruby-fann'

train = RubyFann::TrainData.new(
  inputs: [
    [0,desired_outputs: [ [1,[0,1] ]
)

fann = RubyFann::Standard.new(
  num_inputs: 15,hidden_neurons: [30],num_outputs: 9
)

fann.learning_rate = 0.5
fann.momentum = 0.5

fann.train_on_data(train,10000,1000,0.001)

outputs = fann.run([0,1])
m = outputs.max
puts "Result: #{( outputs.find_index { |x| x == m } ) + 1}"

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!