Artificial intelligence 用于OCR的前馈神经网络训练
目前我正在学习神经网络,我正在尝试创建一个可以训练识别手写字符的应用程序。 对于这个问题,我使用了一个前馈神经网络,当我训练它识别1、2或3个不同的字符时,它似乎可以工作。但是,当我试图让网络学习超过3个字符时,它的错误率将停滞在40-60%左右 我尝试了多层和更少/更多的神经元,但我似乎无法正确理解,现在我想知道前馈神经网络是否能够识别那么多信息 一些统计数字: 网络类型:前馈神经网络 输入神经元:100(10*10)网格用于绘制字符 输出神经元:要重新组织的字符数Artificial intelligence 用于OCR的前馈神经网络训练,artificial-intelligence,neural-network,ocr,backpropagation,feed-forward,Artificial Intelligence,Neural Network,Ocr,Backpropagation,Feed Forward,目前我正在学习神经网络,我正在尝试创建一个可以训练识别手写字符的应用程序。 对于这个问题,我使用了一个前馈神经网络,当我训练它识别1、2或3个不同的字符时,它似乎可以工作。但是,当我试图让网络学习超过3个字符时,它的错误率将停滞在40-60%左右 我尝试了多层和更少/更多的神经元,但我似乎无法正确理解,现在我想知道前馈神经网络是否能够识别那么多信息 一些统计数字: 网络类型:前馈神经网络 输入神经元:100(10*10)网格用于绘制字符 输出神经元:要重新组织的字符数 有人知道我的架构中可能存在
有人知道我的架构中可能存在的缺陷是什么吗?有太多的输入神经元吗?前馈神经网络不能识别字符吗?用于您需要的手写字符识别
我用784-200-50-10体系结构训练了一名MLP,测试集的准确率超过96%。你可能想在第三节和第四节课上学习。吴教授解决了这个问题。他正在对10位数字(0…9)进行分类。他在课堂上所做的一些事情使他达到了95%的训练准确率:
- 输入数字:400(20x20)
- 隐藏层:2
- 隐藏层大小:25
- 激活功能:乙状结肠
- 训练方法:梯度下降法
- 数据大小:5000
不久前,我尝试使用MNIST数据集识别手写数字时遇到了类似的问题。我的前馈神经网络在验证集上的准确率约为92%,但经常对我提供的图像进行错误分类 我通过在我的网络中添加一个隐藏层并使用RMSProp修复了这个问题。网络现在提供了大约97%的准确率,并且正确地分类了我给它的图像
此外,如果你的成本没有下降,这可能意味着你的学习率太高,或者你的网络可能陷入局部极小值。在这种情况下,您可以尝试降低学习率和初始权重 你使用了多少隐藏神经元?输入和输出神经元似乎适合你的任务,但你如何训练你的网络,你使用什么算法?如何初始化权重?我尝试使用backpopagation和遗传算法。我还尝试了一个由70个神经元组成的隐藏层,一次是两个隐藏层(70和40个)神经元。最后的解决方案是什么?这5点中的哪一点起了作用?这门课程现在已经开始,我认为“9.神经网络:学习”是你所指的部分。