Computers and technical support
Tech
Managers
Notice: Undefined variable: filename in /home/users/a/aleksand-stepano/domains/utasoft.ru/catalog/view/theme/default/template/information/information.tpl on line 865Warning: fopen(): Filename cannot be empty in /home/users/a/aleksand-stepano/domains/utasoft.ru/catalog/view/theme/default/template/information/information.tpl on line 865Notice: Undefined variable: filename in /home/users/a/aleksand-stepano/domains/utasoft.ru/catalog/view/theme/default/template/information/information.tpl on line 866Warning: fread() expects parameter 1 to be resource, boolean given in /home/users/a/aleksand-stepano/domains/utasoft.ru/catalog/view/theme/default/template/information/information.tpl on line 866Warning: fclose() expects parameter 1 to be resource, boolean given in /home/users/a/aleksand-stepano/domains/utasoft.ru/catalog/view/theme/default/template/information/information.tpl on line 867

Написать отзыв

Ваше имя:

Ваш отзыв:

Примечание: HTML разметка не поддерживается! Используйте обычный текст.

Оценка: Плохо


Добро пожаловать в UTASOFT.RU - интернет платформа для комфортных покупок | Интернет магазин программного обеспечения № 1

 

 

 

 

 

Как создать нейронную сеть

UTASOFT.RU - раздел для разработчиков

Приветствуем Вас на нашем ресурсе. В этой статье мы с вами научимся создавать простейшую нейронную сеть.

И так как создать нейронную сеть

Для того что бы написать несложную нейронную сеть, необходимо понимать, что такое линейная функция и производная. Мы постараемся понятным языком объяснить теоретические аспекты, знание которых необходимо для понимания принципов функционирования нейронных сетей и написания соответствующих программных инструкций. Так же мы выложим скриншоты исходного кода, где пометим важные участки код программы. В конце статьи будет ссылка на полную программу нейронной сети.

В настоящие время много пишут и говорят про искусственный интеллект, при этом лукаво кивают в сторону нейронной сети, так вот, нейронная сеть это обычная математическая абстракция и выглядит она следующем образом:

Допустим имеем линейную функцию 5x + 3 = 18. Это и есть база простейшей нейронной сети. Нам нужно подобрать такой коэффициент(вес) х, что бы на выходе получить 18. Коэффициент 3 это пусть будет ошибка которую мы вычисляем на каждой итерации обучения сети, т.е у нас уже получился метод обратного распространения ошибки.

Выложим пару скриншотов исходника:

 

Заводим массивы под слои, первый массив layer_0 отвечает за прием входных данных. Допустим мы имеем картинку 200 на 200 ,нам нужно ее распознать. Массивы layer_1 и layer_2 отвечают за хранения коэффицентов функции активации. Массив layer_3 отвечает за выходной слой - это то,что мы хотим получить на выходе.

Наша функция активации:

 

 

Вот это и есть простейшая нейронная сеть. Может статья покажется неполная, но мы думаем на первый раз достаточно. Если возникнут вопросы по коду или теории, то пожалуйста напишите нам в чат. Спасибо за внимание.

 

 
 
 
 
 
 
 
 
 
 

UTASOFT.RU - только лицензионный софт