2. Обучение нейронной сети

Каждя нейронная сеть имеет свойство обучаться на большом количетсве испытаний. Для того , чтобы нейронная сеть смогла решить поставленную задачу, нужно провести настройку и обучение. Под решение задачи подразумевается, что на каждый входной сигнал нужо выдовать необходимый и сигнал.

Обучение происходит по специальной выборке, для которой задуются вход и желаемый выход. Это является обучающими примерами.

Входные и выходные сигналы выбираются в зависимости от решаемой задачи, также от этого будет зависеть выбранная размерность.

Входными данными может быть выбрана любая информация. Текст, картинки, статистические отчеты, числыЮ распределения.

Выходные сигналы сети - вектора целых или действительных чисел. Для получеения более точных результатов требуются выборки очень больших объемов. Но память компъютера ограничена и выборки необходимо делить на части. Их можно формировать в группы по определенному принципу. В каждый момент времени нейронная сеть загружает по одной странице находящейся в памяти компьютера, в то время, как остальная информация находится на жестком диски и у сети нет доступа к ней. Но обучение проходит по совокупности всех страниц.

До сих пор нет уникальной методики построения обучающей выборки, каждый специалист, занимающийся разработкой данных сетей использует свои методы и навыки. Набор обучающихся примеров может предоставляться заказчиком программы. Это могут быть данные за предыдущее время с известным результатом. В начале обучения при поступлении входного сигнала, выходной сигнал будет отличаться от ожидаемого выходного сигнала, в нейронных сетях также вычисляется функция ошибки и погрешности. Самой распространненой функцией является среднеквадратичное отклонение. Однако предложены и другие функции ошибки. Минимизировать функцию ошибки и погрещность является целью обучения нейронной сети. То есть нужно найти значения параметров при которых выходные сигналы сети очень близки к ожидаемым сигналам, определеным в обучающей выборке.

При процессе обучения нейронных сетей используют различные алгоритмы. Они делятся на градиентные и стохастические. Градиентные основываются на вычислении частных производных функции ошибки. Данные алгоритм можно разделить на алгоритмы первого порядка и второго порядка. В стохастических алгоритмах поиск минимума функции ошибки ведется случайным образом.

Для каждого процесса обучения есть критерий останова. Существуют два основных критерия: остановка при достижении некоторого малого значения функции ошибки или остановка в случае успешного решения всех примеров обучающей выборки.

Перед началом процесса обучения необходимо присвоить параметрам некоторые начальные значения, инициировать сеть.

Обучение нейронной сети требует больших мощностей и длительного времени. Каждый алгоритм отличается по времени исполнения и скорости сходимости. Это является одной из ключевых характеристик таких алгоритмов.

После процесса обучения необходимо проверить нейронную сеть используя иммитацию работы. То есть необходимо протестировать сеть на определнных входных параметрах. Вводится некоторый сигнал, который не был использован в обучающей выборке, происходит анализ получившегося выходного сигнала.

Тестирование уже обученной нейросети может проводиться и на одиночном сигнале и на множестве сигналов, контрольной выборке. Она имееет такую же структура, как и обучающая выборка. Контрольная выборка строится для каждой сети и пользователя индивидуально. Тестирование сетей на данный момент тоже автоматизировано и разработаны определенные алгоритмы и функции.