Machine learning 优化神经网络输入以实现收敛
我正在建立一个用于图像分类/识别的神经网络。10个类中的每个类都有1000个图像(30x30灰度)。不同类别的图像放置在不同的文件夹中。我计划使用反向传播算法来训练网络Machine learning 优化神经网络输入以实现收敛,machine-learning,neural-network,artificial-intelligence,Machine Learning,Neural Network,Artificial Intelligence,我正在建立一个用于图像分类/识别的神经网络。10个类中的每个类都有1000个图像(30x30灰度)。不同类别的图像放置在不同的文件夹中。我计划使用反向传播算法来训练网络 我将训练示例输入网络的顺序是否会影响网络的收敛性 我应该以随机顺序提供培训示例吗 首先我会回答你的问题 是的,它会影响它的收敛性 是的,我们鼓励这样做,它被称为随机排列 但是为什么呢 引用自 大多数ANN软件中的一个常见示例是,您有150个实例组成您的数据集。这是大约三种不同类型的鸢尾花(花椰菜、维吉尼亚鸢尾和刚毛鸢尾)。数据集
首先我会回答你的问题
当我按顺序(每个字母表)训练它们时,它没有收敛,但在我随机化后,它很容易收敛,因为神经网络可以概括字母表。为什么不反向传播整个训练集的平均误差?随机化只在批量训练中有用吗?@EssamAl Mansouri,这需要更多的时间,而且我也不确定它是否能很好地收敛。嗯,我认为这不会对在线培训产生太大影响。