Aplikasi dan contoh dalam pengecaman imej dan prinsip algoritma perambatan balik ralat

Ralat belakang perambatan ialah algoritma pembelajaran mesin yang biasa digunakan dan digunakan secara meluas dalam latihan rangkaian saraf, terutamanya dalam bidang pengecaman imej. Artikel ini akan memperkenalkan aplikasi, prinsip dan contoh algoritma ini dalam pengecaman imej.

1. Aplikasi algoritma perambatan balik ralat

Pengecaman imej ialah kaedah menggunakan atur cara komputer untuk menganalisis, memproses dan memahami nombor atau imej untuk mengenal pasti maklumat dan ciri di dalamnya. Dalam pengecaman imej, algoritma perambatan balik ralat digunakan secara meluas. Algoritma ini mencapai tugas pengiktirafan dengan melatih rangkaian saraf. Rangkaian saraf ialah model pengiraan yang mensimulasikan interaksi antara neuron dalam otak manusia dan mampu memproses dan mengklasifikasikan data input yang kompleks dengan cekap. Dengan terus melaraskan berat dan berat sebelah rangkaian saraf, algoritma perambatan balik ralat membolehkan rangkaian saraf mempelajari secara beransur-ansur dan meningkatkan keupayaan pengecamannya.

Algoritma perambatan balik ralat meminimumkan ralat antara hasil output dan keputusan sebenar dengan melaraskan berat dan berat sebelah rangkaian saraf. Proses latihan terdiri daripada langkah-langkah berikut: mengira output rangkaian saraf, mengira ralat, menyebarkan balik ralat kepada setiap neuron, dan melaraskan berat dan berat sebelah berdasarkan ralat.

1 Secara rawak mulakan pemberat dan bias rangkaian saraf.

2. Kira output rangkaian saraf dengan memasukkan set data latihan.

3. Kira ralat antara hasil keluaran dan hasil sebenar.

4. Ralat penyebaran belakang dan laraskan berat dan berat sebelah rangkaian saraf.

5 Ulangi langkah 2-4 sehingga ralat mencapai nilai minimum atau masa latihan pratetap dicapai.

Proses latihan algoritma perambatan balik ralat boleh dianggap sebagai masalah pengoptimuman, iaitu meminimumkan ralat antara hasil keluaran rangkaian neural dan hasil sebenar. Semasa proses latihan, algoritma akan terus melaraskan berat dan berat sebelah rangkaian saraf, supaya ralat berkurangan secara beransur-ansur, dan akhirnya mencapai ketepatan pengecaman yang lebih tinggi.

Aplikasi algoritma perambatan balik ralat bukan sahaja terhad kepada pengecaman imej, tetapi juga boleh digunakan dalam pengecaman pertuturan, pemprosesan bahasa semula jadi dan bidang lain. Aplikasinya yang luas membolehkan banyak teknologi kecerdasan buatan dilaksanakan dengan lebih cekap.

2. Prinsip algoritma perambatan balik ralat

Prinsip algoritma perambatan balik ralat boleh diringkaskan dalam langkah berikut:

1 rangkaian Pas ke hadapan rangkaian mengira output.

2. Kira ralat: Bandingkan hasil output dengan hasil sebenar dan kira ralat.

3. Rambat belakang: Rambat balik dari lapisan keluaran ke lapisan input, melaraskan berat dan berat sebelah setiap neuron.

4. Kemas kini pemberat dan pincang: Berdasarkan maklumat kecerunan yang diperoleh melalui perambatan belakang, kemas kini pemberat dan pincang neuron untuk membuat ralat lebih kecil dalam pusingan perambatan hadapan seterusnya.

Dalam algoritma perambatan balik ralat, proses perambatan belakang adalah kuncinya. Ia melepasi ralat dari lapisan output ke lapisan input melalui peraturan rantai, mengira sumbangan setiap neuron kepada ralat, dan melaraskan berat dan berat sebelah mengikut tahap sumbangan. Secara khusus, peraturan rantai boleh dinyatakan dengan formula berikut:

frac{partial E}{partial w_{i,j}}=frac{partial E}{partial y_j}frac{partial y_j}{partial z_j } frac{partial z_j}{partial w_{i,j}}

di mana, E mewakili ralat, w_{i,j} mewakili berat yang menghubungkan neuron ke-i dan neuron ke-j, y_j mewakili Keluaran neuron j, z_j mewakili jumlah wajaran neuron ke-j. Formula ini boleh dijelaskan kerana kesan ralat pada berat sambungan terdiri daripada hasil keluaran y_j, terbitan fungsi pengaktifan frac{separa y_j}{separa z_j} dan input x_i.

Melalui peraturan rantai, ralat boleh disebarkan kembali ke setiap neuron dan sumbangan setiap neuron kepada ralat dikira. Kemudian, pemberat dan berat sebelah dilaraskan mengikut tahap sumbangan, supaya ralat dalam pusingan seterusnya perambatan hadapan adalah lebih kecil.

3. Contoh algoritma perambatan balik ralat

Berikut ialah contoh mudah untuk menggambarkan bagaimana algoritma perambatan balik ralat digunakan pada pengecaman imej.

Andaikan kita mempunyai gambar digit tulisan tangan 28x28, dan kita ingin menggunakan rangkaian saraf untuk mengenali nombor ini. Kami mengembangkan imej ini menjadi vektor 784 dimensi dan menggunakan setiap piksel sebagai input kepada rangkaian saraf.

Kami menggunakan rangkaian saraf dengan dua lapisan tersembunyi untuk latihan. Setiap lapisan tersembunyi mempunyai 64 neuron, dan lapisan keluaran mempunyai 10 neuron, masing-masing mewakili nombor 0-9.

Pertama, kami secara rawak memulakan berat dan berat sebelah rangkaian saraf. Kami kemudian memasukkan satu set data latihan dan mengira output melalui perambatan ke hadapan. Andaikan bahawa hasil keluaran ialah [0.1,0.2,0.05,0.3,0.02,0.15,0.05,0.1,0.03,0.1], menunjukkan bahawa rangkaian saraf percaya bahawa gambar ini berkemungkinan besar adalah nombor 3.

Seterusnya, kami mengira ralat antara hasil keluaran dan hasil sebenar. Katakan hasil sebenar ialah [0,0,0,1,0,0,0,0,0,0], yang bermaksud nombor sebenar gambar ini ialah 3. Kita boleh menggunakan fungsi kehilangan entropi silang untuk mengira ralat, formulanya adalah seperti berikut:

E=-sum_{i=1}^{10}y_i log(p_i)

Antaranya, y_i mewakili elemen ke-i hasil sebenar, dan p_i mewakili elemen ke-i hasil keluaran rangkaian saraf. Menggantikan keputusan sebenar dan output rangkaian saraf ke dalam formula, ralatnya ialah 0.356.

Seterusnya, kami menyebarkan balik ralat ke dalam rangkaian saraf, mengira sumbangan setiap neuron kepada ralat, dan melaraskan berat dan berat sebelah berdasarkan tahap sumbangan. Kita boleh menggunakan algoritma penurunan kecerunan untuk mengemas kini berat dan berat sebelah dengan formula berikut:

w_{i,j}=w_{i,j}-alphafrac{separa E}{separa w_{i,j}}

Antaranya, alpha mewakili kadar pembelajaran, yang digunakan untuk melaraskan saiz langkah setiap kemas kini. Dengan melaraskan berat dan berat sebelah secara berterusan, kami boleh menjadikan hasil keluaran rangkaian saraf lebih dekat dengan keputusan sebenar, dengan itu meningkatkan ketepatan pengecaman.

Di atas adalah aplikasi, prinsip dan contoh algoritma perambatan balik ralat dalam pengecaman imej. Algoritma perambatan balik ralat secara berterusan melaraskan berat dan berat sebelah rangkaian saraf supaya rangkaian saraf dapat mengenal pasti imej dengan lebih tepat dan mempunyai prospek aplikasi yang luas.

Atas ialah kandungan terperinci Aplikasi dan contoh dalam pengecaman imej dan prinsip algoritma perambatan balik ralat. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!