آموزش دادن شبکه عصبی در متلب – پادکست پرسش و پاسخ

پادکست پیرامون آموزش دادن شبکه عصبی در متلب

نسخه نوشتاری

B که به طور مشخص، «بایاس» است. بایاس هر کدام از این «نورون‌ها» (Neurons) مشخص است. i_w وزن ارتباطی بین ورودی‌­ها و هر نورن در هر لایه است. طبیعی است که تعداد عناصر موجود در ماتریس سلولی، به تعداد لایه‌­ها خواهد بود. اغلب، با توجه به آنکه ورودی‌ها به لایه اول وصل می‌شوند، سایر لایه‌­ها خالی و صفر هستند. در واقع، این یک آرایه سلولی یا Cell Array است و هر کدام از مؤلفه‌­های آن، خود یک ماتریس هستند. در تعریف آرایه سلولی در متلب داریم که: «ماتریسی است که، درایه‌های آن می‌­تواند هر چیزی، حتی ماتریس باشد».

فیلم آموزش شبکه‌های عصبی در MATLAB در فرادرس

کلیک کنید

پس هر کدام از i_w‌ها وزن ارتباطی بین ورودی‌ها و لایه‌­ها هستند. l_w نیز وزن ارتباطی بین لایه‌­ها و یک آرایه سلولی مربعی است. اگر شبکه عصبی سه لایه داشته باشد، l_w به صورت ۳×۳ (سه در سه) خواهد بود. این یعنی، هر لایه با دیگر  لایه‌ها و حتی با خودش، ارتباط دارد. زیرا بعضی از این‌­ها «بازخورد سلولی» (Cell Feedback) نیز دارند. بنابراین، طبیعی است که مثلا اگر یک «شبکه عصبی پیش‌خور» (Feedforward Neural Network) دو لایه وجود دارد، فقط از لایه اول به لایه دوم مسیر وجود دارد و برعکس آن مسیری نیست، زیرا بازخوردی (FeedBack) در کار نیست.

فیلم آموزش طبقه‌بندی و بازشناسی الگو با LVQ در MATLAB در فرادرس

کلیک کنید

فیلم مجموعه آموزش شبکه‌ های عصبی مصنوعی – مقدماتی تا پیشرفته در فرادرس

کلیک کنید

اگر نوشته بالا برای شما مفید بوده است، آموزش‌های زیر نیز به شما پیشنهاد می‌شوند:

• مجموعه آموزش‌های شبکه‌‌های عصبی مصنوعی
• آموزش شبکه‌های عصبی مصنوعی در متلب
• مجموعه آموزش‌های الگوریتم‌‌های بهینه‌‌سازی هوشمند
• ساخت شبکه عصبی (Neural Network) در پایتون — به زبان ساده
• شبیه‌سازی تبرید (Simulated Annealing) — به زبان ساده

^^