标签: neural-network

朋友们,我正试图在R中学习神经网络.任何人都可以帮我解释R中的神经网络图吗？朋友,我得到了这张图

朋友们请帮助我解释这个图表,任何帮助将不胜感激

如何使用深度学习进行手部检测.是否有任何关于使用深度学习的手部检测的文章或教程或任何相关链接.请告诉我.手检测的方法或步骤是什么

我需要通过拆分大图像来创建 30 * 30 px 小图像。我需要将这些部分分开后分别保存在单独的文件中，如下所示：

我有以下输入数据结构：

   X1     |    X2     |    X3     | ... | Output (Label)
118.12341 | 118.12300 | 118.12001 | ... | [a value between 0 & 1] e.g. 0.423645

我使用它tensorflow来解决预测Output变量未来值的回归问题。为此，我构建了一个前馈神经网络，该网络具有三个具有relu激活函数的隐藏层和一个具有一个节点的最终输出层linear activation。该网络使用优化器通过反向传播进行训练adam。

我的问题是，在对网络进行了数千次训练后，我意识到输入特征和输出中的这种高度小数的值仅导致预测接近小数点后第二位，例如：

Real value = 0.456751 | Predicted value = 0.452364

然而，这不被接受，我需要精确到小数点后第四位（至少）才能接受该值。

问：是否有任何值得信赖的技术可以正确解决这个问题以获得更好的结果（也许是转换算法）？

提前致谢。

我正在开发ibeacon技术,直到现在开发时没有问题,但现在我担心性能和成本因素.我的任务是根据信标范围,接近度,准确度开发信标网络.显然我要使用最少数量的信标来覆盖整个商店.我知道我要开发某种图形算法来制作神经网络类型的结构.如果有人已经实现了这个或者在它上面工作或者可以,请指导我给我一些启动的参考.

我是神经网络/机器学习/遗传算法的新手,对于我的第一次实现,我正在写一个学会玩蛇的网络(以前你没有玩过它的例子)我有几个问题我不喜欢完全明白:

在我提出问题之前,我只想确保正确理解一般的想法.有一群蛇,每一条都有随机产生的DNA.DNA是神经网络中使用的权重.每次蛇移动时,它都会使用神经网络决定去哪里(使用偏差).当人口死亡时,选择一些父母(可能是最高适应度),并以轻微的突变机会交叉他们的DNA.

1)如果给整个电路板作为输入(大约400个点)足够的隐藏层(不知道有多少,可能是256-64-32-2？),并且有足够的时间,它是否会学会不打包？

2)什么是好的投入？以下是我的一些想法:

• 400个输入,一个用于电路板上的每个空间.如果蛇应该去那里(苹果)是正面的,如果它是墙/你的身体则是负面的.越接近-1/1,它就越接近.
• 6个输入:游戏宽度,游戏高度,蛇x,蛇y,苹果x和苹果y(如果训练的话可以学习在不同尺寸的棋盘上玩,但不知道如何输入它的身体,因为它改变了大小)
• 给它一个视野(可能在头前3x3平方),可以警告蛇的墙壁,苹果或它的身体.(不幸的是,蛇只能在前面看到什么,这可能会妨碍它的学习能力)

3)给定输入法,隐藏图层大小的起点是什么(当然计划调整这个,只是不知道什么是好的起点)

4)最后,蛇的健身.除了获得苹果的时间,它的长度,它的寿命,还有其他因素吗？为了让蛇学会不阻挡自己,还有什么我可以添加到健身帮助吗？

谢谢!

我必须实现单层神经网络或感知器.为此,我有2个文件数据集,一个用于输入,一个用于输出.我必须在matlab中执行此操作而不使用神经工具箱.2个文件的格式是如下.

 In:
    0.832 64.643
    0.818 78.843
    1.776 45.049
    0.597 88.302
    1.412 63.458


Out:
0 0 1
0 0 1
0 1 0
0 0 1
0 0 1

目标输出为"1表示相应输入所属的特定类,"0表示其余2个输出.

我试图这样做,但它不适合我.

load in.data
load out.data
x = in(:1);
y = in(:2);

learning rate = 0.2;
max_iteration = 50;

function result = calculateOutput(weights,x, y)
s = x*(weights(1) +weight(2) +weight(3));
if s>=0
 result = 1
else:
 result = -1
end
end

Count = length(x);
weights[0] = rand();
weights[1] = rand();
weights[2] = rand(); …

成功地训练神经网络(例如简单的前馈/后向多层感知器)来解决多项选择(基于文本的)问题的可能性有多大 - 如果可能性很小 - 那么关于这个问题的更聪明的方法是什么(或者不去)问题？

以下是有关多项选择考试结构的更多信息:

• 5行文字
• 1/5答案(每行1-2行)是正确的

还有一些假设:

• 结果/反馈立即显示
• 培训数据超过5000个问题

我想从给定的文本中提取原点和目的地.

例如,

I am travelling from London to New York.
I am flying to Sydney from Singapore.

起源 - >伦敦,新加坡.目的地 - >悉尼,纽约.

NER只提供位置名称,但无法获取原点和目的地.

是否可以训练神经模型来检测它？

我试过训练神经网络来对文本进行分类,比如

{"tag": "Origin",
     "patterns": ["Flying from ", "Travelling from ", "My source is", ]

通过这种方式,我们可以将文本分类为原点,但我也需要获取值(在这种情况下,伦敦,新加坡).

反正我们能做到吗？

我想用Caffe框架和卷积神经网络实现对象检测,你能推荐一些论文和演示吗？
我只需要知道如何实现它.
如果您能提供源代码,那将是完美的.

我已经练习了一些机器学习方面,并开发了一些小项目.如今一些嘈杂的博客,文章,公开帖子谈论深度学习.我很想知道机器学习和深度学习之间的区别,也许是学习一种称为深度学习的新方法/技术.我读过很少的博客,但从概念上讲,深度学习是机器学习的一个子集,它只不过是具有多层次的神经网络!然而,我感到惊讶和困惑,以确认它是机器学习和深度学习之间的唯一区别!如果我们只想谈论神经网络,那么考虑深度学习而不是机器学习的优点是什么？所以,如果是,为什么不称它为神经网络,或深度神经网络来区分某些分类？真的不同于我提到的吗？是否有任何实际例子显示出让我们做出这些不同观念的重大差异？

以下文字来自HalDaumé三世的" 机器学习课程 "在线教科书(第41页).

据我所知,D=输入向量的大小.

(1)这是什么样的Perceptron算法？二级/多级？在线/离线？

(2)这是什么y？偏置/重量/样品/ class_label？

(3)测试ya<=0更新砝码的理由是什么？

编辑.

y 是class_label.