Reti neurali superficiali multilivello e addestramento sulla retropropagazione

La rete neurale superficiale multilivello feed-forward può essere utilizzata sia per l'adattamento di funzioni sia per il riconoscimento di pattern. Aggiungendo una tapped delay line, può essere anche utilizzata per problemi di previsione, come visto in Design Time Series Time-Delay Neural Networks. Questo argomento mostra come utilizzare una rete multilivello. Illustra inoltre le procedure di base per la progettazione di qualsiasi rete neurale.

Nota

Le funzioni di addestramento descritte in questo argomento non sono limitate alle reti multilivello. Possono essere utilizzate per addestrare architetture arbitrarie (anche reti personalizzate), purché le loro componenti siano differenziabili.

Il workflow del processo generale di progettazione della rete neurale prevede sette fasi principali:

1. Raccolta dati

2. Creazione della rete

3. Configurazione della rete

4. Inizializzazione di pesi e bias

5. Addestramento della rete

6. Convalida della rete (analisi post-addestramento)

7. Utilizzo della rete

La fase 1 potrebbe verificarsi al di fuori del framework del software Deep Learning Toolbox™, ma è fondamentale per il successo del processo di progettazione.

I dettagli di questo workflow sono discussi in queste sezioni:

• Architettura della rete neurale superficiale multilivello

• Prepare Data for Multilayer Shallow Neural Networks

• Create, Configure, and Initialize Multilayer Shallow Neural Networks

• Train and Apply Multilayer Shallow Neural Networks

• Analyze Shallow Neural Network Performance After Training

• Use the Network

• Limitations and Cautions

Le fasi opzionali del workflow sono discusse in queste sezioni:

• Choose Neural Network Input-Output Processing Functions

• Divide Data for Optimal Neural Network Training

• Shallow Neural Networks with Parallel and GPU Computing

Per le serie temporali, la modellazione dinamica e la previsione, vedere questa sezione:

• How Dynamic Neural Networks Work