1

私はテキスト認識に取り組んでおり、現在サポート ベクター マシン法を使用しています。ニューラルネットワークも試してみたいです。ニューラル ネットワークがどのように機能するかについていくつかの文書を読みましたが、その理論は非常に重く、私のケースにどのように適用されるか正確にはわかりません。したがって、特にニューラル ネットワークのアーキテクチャに関して、誰かが明確にするのを手伝ってくれると助かります。

  • 現在、SVM には、テキストの認識に使用される 200 の機能 (4 つの主要なカテゴリに分けられます) があります。200 個の機能を備えたニューラル ネットワークに移行すると、入力層に 200 個の中性子が存在することになりますか?
  • 200 個の機能がある場合、ニューラル ネットワークのアーキテクチャはどのようになりますか (数値層 (隠れ層) と中性子に関して)?
  • SVM では、1 つのクラス分類 (基本的に真と偽) と複数クラスの分類 (ラベル) がありますが、この違いがニューラル ネットワークの出力層にどのように適用されるのでしょうか?

また、いくつかの一般的な質問があります。

  • 隠れ層の数と各隠れ層内の中性子の数を決定するのに何が役立ちますか?
  • 隠れ層の数は精度に関係しますか?

ニューラルネットワーク初心者なので分かりやすく教えていただけると助かります。:)
ありがとうございます。

4

1 に答える 1

1

ポイント 1 - 200 個の入力ニューロンになり、各ニューロンには 2 進数または浮動小数点数 (できれば -1 から 1 の範囲で正規化) が与えられます。

ポイント 2/4 - ほとんどの問題は、1 つの隠れ層で解決されます。確かに、ニューラル ネットワークを使い始める場合は、1 つの隠れ層に固執する必要があります。また、200 個未満の入力ニューロンから始めることをお勧めします。5 個または 10 個を試してみてください。たとえば、最初の隠れ層が犬、猫、馬などのマクロ機能を学習し、次の隠れ層がより細かく学習する場合など、複数の隠れ層が複雑な問題で使用されます。目、鼻、耳などの特徴。

隠れニューロンの数を決定する明確な手順はありません。問題が複雑になればなるほど、理論的にはより多くの隠れニューロンが必要になります。10 個の入力ニューロンがある場合、たとえば 20 個の隠れニューロンから始めます。うまくいかない場合は、どこかで問題が発生している可能性があります。機能する場合は、機能しなくなるまで隠れニューロンの数を減らすことができます。
また、低く始めてワークアップすることもできます。

ポイント 3 - 真偽の分類には、単一の出力ニューロンを使用し、0 または 1 でトレーニングします。n クラスの場合、n エンコーディングのうちの 1 つを使用します。

ポイント5 - いいえ。精度は、ネットワークがどれだけ一般化できるかによって測定されます。つまり、これまでに見たことのないデータに対してどのように機能するかです。一般に、トレーニング データが多いほど、精度が高くなります。

于 2014-03-06T19:19:46.593 に答える