Artificial intelligence 神经网络如何一次识别更多的模式？它是如何工作的？

说到NN，我是个初学者。我理解基础知识，我不确定下面的内容-让我们考虑手写识别网络。我知道你可以训练一个网络来识别一个模式，即适当地设置权重。但是，如果训练网络识别“A”，那么它如何识别“B”，这当然需要不同的权重设置？

---

或者，网络是否只搜索当前训练的一封信？我希望我自己说得很清楚-我基本上试图理解，如果训练时权值混合，那么经过训练的网络如何识别各种字符。

当神经网络正在训练时，所发生的事情是，网络正在搜索一组权值，当与测试输入相结合时，将产生预期的产出

神经网络的一个关键特征是网络的建立和分配。这意味着基本上保留了多少以前获取的信息

重要的是，该值既不能太高（如果内存可用，将其设置为1将意味着通过仅考虑当前测试用例来更改权重），也不能太低（将其设置为零将意味着不进行权重更改）。无论哪种情况，神经网络都不会收敛

据我所知，在进行手写训练时，训练集包括以各种形式书写的各种字母。也就是说，虽然神经网络在输入有变化时往往比其他人工智能方法更好，但总有局限性

编辑： 根据您的问题，假设您正在处理反向传播神经网络，您所做的是在每一层应用一个，并将当前层的结果传递给下一层

额外的一位在测试过程中出现，在测试过程中，您将得到的结果与您想要的结果进行比较。这就是应用算法来修正权重的地方，在本节中，学习率将起作用

正如您在评论中提到的，权重将发生变化，但是，学习率的值将决定权重变化的程度。通常，您希望它们变化相对缓慢，以便它们收敛，因此您希望保持相对较低的学习率值。然而，如果你有一个非常高的学习率，当前的数据集，正如你所说的，将影响到下一代所做的任何改进

---

你可以这样看，当训练时，神经网络正在搜索一组权重，这些权重可以给定测试输入，它将产生预期的结果。因此，基本上，您正在寻找满足所有测试用例的权重。

对不起，我不明白。由于每次训练都会调整权重，因此它们会相互干扰（例如，在训练“A”和“I”时）。因此，我看不出它如何（通过一次训练）同时识别这两个。@KhDonen:我已尝试扩大我的答案。如果您还有疑问，请告诉我：）.谢谢你的编辑，但我仍然看到了同样的问题-随着权重的变化，如何训练一个网络同时识别两种模式？两者的权重可能在本质上是不同的。@KhDonen：假设您有一个有限的输入和输出测试范围，并且它们保持不变（总是在同一个集合上迭代），在大多数情况下，您可以修改权重，以便当您将所有内容组合在一起时，您可以得到预期的输出。这就是它学习的原因。也就是说，在某些情况下，神经网络根本无法收敛，因为它无法找到满足测试输入/输出的一组权重。请你再次解释一下你最后的评论，plz，你在顶部的完整答案非常好，但是当我在一些图片上训练它时，然后它会接受其他图片，尽管它是在另一张有自己重量的图片上训练的