Matlab 神经网络的输入和目标混淆

最近我发布了许多关于我正在制作的字符识别程序的问题。我以为直到今天我都能让它充分发挥作用。我认为这与我对网络的训练有关。以下是我对培训和模拟过程的理解

给这两张图片

目标

投入

我想训练网络识别字母D。注意，在这之前，我已经将图像处理成二进制矩阵。我用它来训练

[net,tr] = train(net,inputs,targets);

这里我不是输入，而是目标，因为我想训练网络识别目标图像中的所有字母

然后我就跑

outputs = sim(net,inputs);

其中，输入是带有字母“D”的图像，或带有ABCD中任何其他字母的图像。这里的基本前提是，我想训练网络识别ABCD中的所有字母，然后选择字母A、B、C或D中的任意一个，看看网络是否能识别这个选择的字母

问题:

---

我的训练过程正确吗？

这在很大程度上取决于你如何实现你的神经网络。虽然关于你要问的问题，我猜你没有自己实现它，而是使用了一些现成的API

无论如何，在使用之前，你应该先了解你使用的工具（这里是神经网络）

神经网络接收输入并对输入进行线性或非线性变换，然后返回输出

输入和输出总是数值。但是，它们可以表示任何类型的数据

输入可以是：

• 图像的像素
• 实值或整数属性
• 类别
• 等等

在您的情况下，输入是字符图像（二进制矩阵）的像素

输出可以是：

• 类（如果您正在进行分类）
• 值（如果正在进行回归）
• 时间序列中的下一个值（如果正在进行时间序列预测）

在您的例子中，您正在进行分类（预测输入代表哪个字符），因此您的输出是一个类

为了让您了解网络是如何训练的，我将首先解释训练后如何使用它，然后解释它对训练阶段意味着什么

因此，一旦你训练了你的网络，你会给它一个代表你的图像的二进制矩阵，它会输出一个类（字符），例如：0代表A，1代表B，2代表C，3代表D。换句话说，你有：

• 输入：二进制矩阵（图像）
• 输出：0,1,2或3（取决于网络在图像中识别的字符）

培训阶段包括告诉网络您希望每个输入的输出

培训阶段使用的数据类型与“预测阶段”使用的数据类型相同。因此，在培训阶段：

• 输入：二进制矩阵[A、B、C、D]（每个字母一个！非常重要！）
• 目标：对应类别[0,1,2,3]

这样，你告诉网络，如果你给它A的图像，它应该输出0，如果你给它B的图像，它应该输出1，依此类推

---

注意：你错了，因为你认为“输入”是你想在训练阶段后给网络的输入，当它们实际上是在训练阶段提供给网络的输入时。

从错误消息中可以看出，您实际上应该在单元阵列中为网络提供输入和目标。如果X和T是单元数组，那么每个单元X{i}（i在[1,4]中）是二进制形式的字母（1x100矩阵），每个单元T{i}（i在[1,4]中）是包含0,1,2或3的单态矩阵。这样它应该可以工作，尺寸应该匹配。我仍然在@Dolma中得到错误。我把我的输入矩阵转换成一个单元矩阵，这样它就是4x100单元。我的目标数据是target=[{0}、{1}、{2}、{3}]。我仍然会犯同样的错误。我尝试将目标设置为一列单元格。不，输入必须是1x4单元格数组。每个单元是一个1x100矩阵。目标也是一个1x4单元阵列，它的每个单元都是1x1矩阵（这就是您所做的）。如果这不起作用，请尝试使用100x4矩阵作为输入，使用1x4矩阵作为目标。我现在就让它起作用了。然而，在我发布这个问题之前，我编写了一个不同的程序，它比传统的培训快得多。按照我的程序，我训练每一封信。换句话说，每个字母都有一个神经网络。当我运行模拟时，我只需使用一个我想要比较的字母（“D”）逐步遍历每个网络，然后找到性能最佳的网络。