Javascript 如何提高前馈神经网络的精度？

我想用这个神经网络画StackOverflow的徽标：

理想情况下，NN应为[r，g，b]=f（[x，y]）。换句话说，它应该返回给定坐标对的RGB颜色。FFNN对于简单形状（如圆形或长方体）非常有效。例如，在几千年之后，一个圆圈看起来是这样的：

自己试试看：

---

然而，由于StackOverflow的徽标更为复杂，即使经过数千次迭代，FFNN的结果也有点差：

从左到右：

StackOverflow的徽标为256色

有15个隐藏的神经元：左手柄永远不会出现

50个隐藏神经元：总的来说效果很差

0.03作为学习率：在结果中显示蓝色（蓝色不在原始图像中）

一个时间递减学习率：左手柄出现，但其他细节现在丢失

自己试试看：

感兴趣的一些参数是

synaptic.Architect.Perceptron

定义和

learningRate

值

---

如何提高此NN的准确性？ 你能改进一下这个片段吗？如果是这样，请解释你做了什么。如果有更好的NN体系结构来处理这类工作，您能提供一个例子吗

其他信息：

• 使用的人工神经网络库：
• 要在本地主机中运行此示例，请执行以下操作：

---

通过添加另一层，您可以获得更好的效果：

let perceptron = new synaptic.Architect.Perceptron(2, 15, 10, 3)

您可以做一些小的改进来提高效率（略微）： 以下是我的优化代码：

const width=125
常数高度=125
const outputCtx=document.getElementById（“输出”）.getContext（“2d”）
const iterationLabel=document.getElementById（“迭代”）
常数停止迭代=3000
let perceptron=new synaptic.Architect.perceptron（2,15,10,3）
设迭代=0
让inputData=（（）=>{
const tempCtx=document.createElement（“画布”）.getContext（“2d”）
tempCtx.drawImage（document.getElementById（“输入”），0，0）
返回tempCtx.getImageData（0，0，宽度，高度）
})()
常量getRGB=（img，x，y）=>{
变量k=（高度*y+x）*4；
返回[
img.data[k]/255，//R
img.data[k+1]/255，//G
img.data[k+2]/255，//B
//图像数据[（高度*y+x）*4+3]，//未使用Alpha
]
}
常量绘制=（）=>{
var imageData=outputCtx.getImageData（0，0，宽度，高度）
对于（设x=0；x{
iterationLabel.innerHTML=++iteration
if（迭代>停止迭代）返回
让learningRate=0.01/（1+0.0005*迭代）//尝试使用动态学习速率
//让learningRate=0.01//尝试使用非动态学习速率
对于（设x=0；x{
btn.disabled=true
列车（）
}

编辑：我制作了另一个代码笔，效果更好：

顺便说一句，它可能安装过度。 感知器定义：

let perceptron = new synaptic.Architect.Perceptron(2, 8, 15, 7, 3)

---

从比克沙·拉吉（Bhiksha Raj）的讲座中获得一些见解（从幻灯片62开始），总结如下：

每个节点都可以假设为一个线性分类器，在一层神经网络中，多个节点的组合可以近似任何基本形状。例如，一个矩形可以由每条线的4个节点组成，假设每个节点贡献一条线，并且形状可以由最终输出层近似

回到复杂形状（如圆形）的总结，它可能需要层中的无限节点。或者，对于具有两个不相交形状（不重叠的三角形和矩形）的单层来说，这可能是正确的。但是，仍然可以使用多个隐藏层来了解这一点。其中，第一层学习基本形状，第二层学习近似其不相交的组合

---

因此，您可以假设此徽标是不相交矩形的组合（橙色为5个矩形，灰色为3个矩形）。我们可以在第一个隐藏层中使用至少32个节点，在第二个隐藏层中使用很少的节点。但是，我们无法控制每个节点学习的内容。因此，比所需神经元数量多几个神经元应该是有帮助的。

你可以尝试的另一件事是使用RGB以外的东西。我相信Lab*或HSV颜色空间可能会更好。此外，您的误差函数目前是线性的。我有一个直觉，即均方误差也可能更好。谢谢！结果看起来不错。赏金时间已经过了，我决定把它奖励给你。我唯一想知道的是新价值观背后的原因。基本上，一个人如何选择正确的人？运气如何？谢谢感谢您的奖励，非常感谢：-）回答您的问题：运气和经验的组合。基本上，只有一层的感知器类似于线性聚类算法（即它可以定义一个分隔空间的平面）。每个额外的层允许NN将输入转换为另一种形式，这种形式更易于线性拆分。基于此，我的想法是“图像太复杂，无法线性分离，让我们尝试使用额外的层”。检查内核技巧以了解更多理论：。