人工神经网络入门(0) —— 关于人工神经网络的FAQ
2016-06-15 00:00
537 查看
之前发了一篇关于ANN的文章,给大家演示了一个简单的学习AND运算和OR运算的程序,但是发现大家有很多疑问。
所以通过这篇文章,我希望能对大家的一些常见的疑问给予解答!
这里的 训练 一词怎么解释?
学会?
大家通过使用这个程序可以发现:ANN在通过训练以后,可以计算出正确的结果,如1 AND 1 = 1,等等。
如果您阅读了代码会发现,程序中并没有给出如何计算1 AND 1的结果,而是将1,1这两个参数传递给经过训练后ANN,然后由ANN自己计算出结果。
在整个过程中,完全是ANN自己通过一定数量的训练从而达到咱们计算AND运算的结果。
貌似很深奥,不知道能够最终达到甚么效果,实现甚么功能,机器人??
如果您能够深入地了解ANN,最终会达到非常好的效果,特别是做AI这块。
比如RoboCup的仿真机器人比赛中就有应用,
还有一个非常有名的游戏
《Bug Brain》,它就是一款通过给一个小虫子设计神经网络而可以在复杂的环境中生存的游戏。有兴趣的朋友可以去了解一下:)
关于这个游戏的玩法和攻略,可以参考
http://hi.baidu.com/szk8888/blog/item/eb1d033b282ac7ea14cecb42.html
楼主,你要介绍哪种神经网络?我没看出来。。囧。。。
计划在这一系列文章中,介绍单层和多层(BP)神经网络。
人工神经网络入门(1) —— 单层人工神经网络应用示例 这个属于最简单明了的单层神经网络。介绍一个网络的主要原因就是帮助咱们先有一个感性的认识。
让我们知道ANN是什么,如果使用。
神经网络还真的不是很熟悉,楼主能否解释下这里,我看的不是很懂:
“计算结果”显示为“1.74E-10”,说明 0 AND 0 = 0. 在我的程序中,实际输出的结果只是接近于0,这是正常的。
神经网络计算出来的结果只是近似值。所以你可以在实际的应用中对这个近似值根据实际情况来处理。
你这个学习网络 来运算54 AND 0 结果为什么是1?
经过学习的ANN并不一定能计算出所有有效的输入的结果。
造成这样的原因很多,输入节点的个数,隐含层的层数,激活函数,网络类型,训练集合的选取等等。
而且您的54并不是有效输入,所以说结果不会理想。
所以通过这篇文章,我希望能对大家的一些常见的疑问给予解答!
这里的 训练 一词怎么解释?
学会?
大家通过使用这个程序可以发现:ANN在通过训练以后,可以计算出正确的结果,如1 AND 1 = 1,等等。
如果您阅读了代码会发现,程序中并没有给出如何计算1 AND 1的结果,而是将1,1这两个参数传递给经过训练后ANN,然后由ANN自己计算出结果。
在整个过程中,完全是ANN自己通过一定数量的训练从而达到咱们计算AND运算的结果。
貌似很深奥,不知道能够最终达到甚么效果,实现甚么功能,机器人??
如果您能够深入地了解ANN,最终会达到非常好的效果,特别是做AI这块。
比如RoboCup的仿真机器人比赛中就有应用,
还有一个非常有名的游戏
《Bug Brain》,它就是一款通过给一个小虫子设计神经网络而可以在复杂的环境中生存的游戏。有兴趣的朋友可以去了解一下:)
关于这个游戏的玩法和攻略,可以参考
http://hi.baidu.com/szk8888/blog/item/eb1d033b282ac7ea14cecb42.html
楼主,你要介绍哪种神经网络?我没看出来。。囧。。。
计划在这一系列文章中,介绍单层和多层(BP)神经网络。
人工神经网络入门(1) —— 单层人工神经网络应用示例 这个属于最简单明了的单层神经网络。介绍一个网络的主要原因就是帮助咱们先有一个感性的认识。
让我们知道ANN是什么,如果使用。
神经网络还真的不是很熟悉,楼主能否解释下这里,我看的不是很懂:
“计算结果”显示为“1.74E-10”,说明 0 AND 0 = 0. 在我的程序中,实际输出的结果只是接近于0,这是正常的。
神经网络计算出来的结果只是近似值。所以你可以在实际的应用中对这个近似值根据实际情况来处理。
你这个学习网络 来运算54 AND 0 结果为什么是1?
经过学习的ANN并不一定能计算出所有有效的输入的结果。
造成这样的原因很多,输入节点的个数,隐含层的层数,激活函数,网络类型,训练集合的选取等等。
而且您的54并不是有效输入,所以说结果不会理想。
相关文章推荐
- python机器学习之神经网络(三)
- 卷积神经网络(Convolutional Neural Network)学习资料
- 深度学习(DL)与卷积神经网络(CNN)学习笔记随笔-04-基于Python的LeNet之MLP
- 「深度神经网络」(deep neural network)具体工作流程
- VMWare 中Ubuntu 中的NAT 网络设置
- 神经网络编程入门
- 手把手入门神经网络系列(1)_从初等数学的角度初探神经网络
- python机器学习之神经网络(二)
- Java神经网络的框架Neuroph 2.5 with Neuroph Studio 测试
- 神经网络Tips 和Tricks
- VMware Workstation网络连接的三种模式
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- 深度学习(DL)与卷积神经网络(CNN)学习随笔-05-基于Python的LeNet之CNN
- python机器学习之神经网络(三)
- 人人都能用Python写出LSTM-RNN的代码![你的神经网络学习最佳起步]
- 卷积神经网络(Convolutional Neural Network)学习资料
- 深度学习(DL)与卷积神经网络(CNN)学习笔记随笔-04-基于Python的LeNet之MLP
- deep learning 卷积神经网络的实现(Convolution Neural Networks)
- VMWare 中Ubuntu 中的NAT 网络设置
- Java神经网络的框架Neuroph 2.5 with Neuroph Studio 测试