基于matlab的數(shù)字識別(編輯修改稿)
2025-09-07 12:04 本頁面
【文章內(nèi)容簡介】 moidnnCostFunctionsigmoidGradient randInitializeWeights checkNNGradients debugInitializeWeightsnnCostFunction puteNumericalGradient第五部分：sigmoid函數(shù)第六部分：初始化參數(shù)第七部分：實現(xiàn)反向傳播第三部分：前饋網(wǎng)絡第四部分：前饋正規(guī)化圖4 整體流程圖 算法流程 圖片識別要經(jīng)過訓練好的模型來提取我們要得到的手寫數(shù)字，而模型是經(jīng)過多次的訓練得到的，為了提高程序的準確度、增加可信度的一種數(shù)據(jù)集，所以，程序的開始，我們設計了多個可用的數(shù)據(jù)，來訓練我們的神經(jīng)網(wǎng)絡。如圖3所示，一開始可視化我們的手寫體測試數(shù)據(jù)，每個數(shù)字都保存在20*20的像素里，其中設置25個隱藏單位，0到9共10個數(shù)字標簽。將我們需要的參數(shù)保存到需要的函數(shù)中，也就是我們用到的θ1和θ2中。，如圖5所示。圖5 手寫體訓練數(shù)據(jù)圖6 數(shù)據(jù)保存文件 注：其中，.mat文件中保存的是二位數(shù)組，用來保存我們測試需要的數(shù)據(jù)。其次，使用前饋神經(jīng)網(wǎng)絡，當參數(shù)λ=0時，、（其中，sigmoid，就是對sigmoid函數(shù)的求導，為得就是得到sigmoid函數(shù)的梯度值，以便更好的了解數(shù)值變化的程度。）。運行結果是損失函數(shù)J=。其中也會實現(xiàn)損失函數(shù)的正規(guī)化和梯度。而為了檢測它的正確性，又使λ=1進行測試，調(diào)式，看結果是否符合要求，來檢測正確性，得到的結果如圖8所示，也是通過兩組數(shù)據(jù)的對比，讓我們更加清晰的體會它的不同之處。圖7 實驗數(shù)據(jù)對比圖 （3） （4） 第三，sigmoid函數(shù)的運行。，提到函數(shù)g = sigmoidGradient（），文件中寫了sigmoid函數(shù)的梯度表達式，而其中的g(z)函數(shù)，是sigmoid函數(shù)的方程式， （5） （6）通過對文件的調(diào)用，輸入測試值0、1，可以得到輸出的梯度數(shù)，而當z=0時。越接近于0，它的變化越明顯。sigmoid函數(shù)梯度指的是標量場中變化的方向，而梯度值的大小就是用來表示變化的大小，簡單來說就是我們數(shù)學中的斜率，而這么說也只是為了讓人們更好的接受。對于sigmoid函數(shù)的測試，我們用一組數(shù)據(jù)對它進行測試，得到的結果如圖 8所示： 圖8 梯度函數(shù)測試值初始化參數(shù)（權重W文件的調(diào)用說明），文件中使用randInitializeWei，來初始化θ1，θ2，產(chǎn)生隨機變量，為下邊的調(diào)用起到很重要的作用。上文BP神經(jīng)網(wǎng)絡中也曾提到過，權重值是整個過程中很重要的一個參數(shù)。，也對其進行了新的定義，給定一個較小的ε值，計算出新的W值。這個文件的作用是為了讓我們打破對稱而訓練神經(jīng)網(wǎng)
環(huán)評公示相關推薦
鄂ICP備17016276號-1