10、人工神经网络相关技术解析

人工神经网络相关技术解析

人工神经网络基础

在人工神经网络（ANN）中，“weights”变量存储着整个网络的所有权重。通过每个权重矩阵的大小，能动态确定网络结构。例如，若“input_HL1_weights”变量的大小为 102×80，就可推断出第一个隐藏层有 80 个神经元。

“train_network”是核心函数，它通过遍历所有样本对网络进行训练。对于每个样本，会执行特定步骤。该函数接受训练迭代次数、特征、输出标签、权重、学习率和激活函数作为参数。激活函数有两种选择：ReLU 或 sigmoid。ReLU 是一种阈值函数，当输入大于 0 时返回输入值，否则返回 0。

若网络对给定样本做出错误预测，会使用“update_weights”函数更新权重。这里未使用优化算法，只是根据学习率简单更新权重，此时网络的准确率不超过 45%。

训练完成后，会根据训练数据对网络进行测试，若训练数据上的准确率可接受，再用新的未见数据测试模型。具体操作步骤如下：
1. 确定“weights”变量存储网络权重，根据权重矩阵大小确定网络结构。
2. 调用“train_network”函数，传入训练迭代次数、特征、输出标签、权重、学习率和激活函数。
3. 对每个样本执行特定训练步骤。
4. 若预测错误，使用“update_weights”函数更新权重。
5. 完成指定训练迭代次数后，用训练数据测试网络。
6. 若训练数据准确率可接受，用新数据测试模型。

工程特征的局限性

Fruits 360 数据集的图像是在受限环境中拍摄的，每个水果有很多细节，这使得挖掘数据以找到最佳特征相对