и те, наскільки швидко відповіді мережі будуть сходитися до правильних відповідей. Наприклад, вибір низькій швидкості навчання збільшить час сходження, проте іноді дозволяє уникнути паралічу мережі. Збільшення моменту навчання може призвести як до збільшення, так і до зменшення часу збіжності, залежно від форми поверхні помилки. Виходячи з такого суперечливого впливу параметрів, можна зробити висновок, що їх значення потрібно вибирати експериментально, керуючись при цьому критерієм завершення навчання (наприклад, мінімізація помилки або обмеження за часом навчання). p align="justify">
6) Власне навчання. У процесі навчання мережа в певному порядку переглядає навчальну вибірку. Порядок перегляду може бути послідовним, випадковим і т. д. Деякі мережі, які навчаються без вчителя, наприклад, мережі Хопфілда переглядають вибірку тільки один раз. Інші, наприклад, мережі Кохонена, а також мережі, які навчаються з учителем, переглядають вибірку безліч разів, при цьому один повний прохід по вибірці називається епохою навчання. При навчанні з учителем набір вихідних даних ділять на дві частини - власне навчальну вибірку і тестові дані; принцип поділу може бути довільним. Навчальні дані подаються мережі для навчання, а перевірочні використовуються для розрахунку помилки мережі (перевірочні дані ніколи для навчання мережі не застосовуються). Таким чином, якщо на перевірочних даних помилка зменшується, то мережа дійсно виконує узагальнення. Якщо помилка на навчальних даних продовжує зменшуватися, а помилка на тестових даних збільшується, значить, мережа перестала виконувати узагальнення і просто В«запам'ятовуєВ» навчальні дані. Це явище називається перенавчанням мережі або оверфіттінгом. У таких випадках навчання зазвичай припиняють. У процесі навчання можуть проявитися інші проблеми, такі як параліч або попадання мережі в локальний мінімум поверхні помилок. Неможливо заздалегідь передбачити прояв тієї чи іншої проблеми, так само як і дати однозначні рекомендації до їх розв'язання. p align="justify"> 7) Перевірка адекватності навчання.
Навіть у разі успішного, на перший погляд, навчання мережа не завжди навчається саме того, чого від неї хотів творець. Відомий випадок, коли мережа навчалася розпізнаванню зображень танків з фотографій, проте пізніше з'ясувалося, що всі танки були сфотографовані на одному і тому ж фоні. У результаті мережа В«навчиласяВ» розпізнавати цей тип ландшафту, замість того, щоб В«навчитисяВ» розпізнавати танки. Таким чином, мережа В«розумієВ» не те, що від неї вимагалося, а те, що найпростіше узагальнити. p align="justify"> 8) Коригування параметрів, остаточне навчання.
) Вербалізація мережі з метою подальшого використання.
11. Розпізнавання образів, класифікація, категоризація
В якості образів можуть виступати різні за своєю прир...
