机器学习之人工神经网络.pptVIP

隐层单元个数的确定 较少的隐层单元可防止网络过度拟合数据 应用交叉验证方法确定隐层单元数 error on training data on test data 0 # hidden units 举例：人脸识别 训练样例 20个不同人的摄影图像 每个人大约32张图像 不同的表情 快乐、沮丧、愤怒、中性 不同的方向 左、右、正前、上 不同的穿戴 是否带眼镜 共624幅灰度图像 分辨率为120×128，每个像素使用0（黑）到255（白）的灰度值描述 任务：学习图像中人脸的朝向 共搜集624幅灰度图像，训练了240幅图像样例后，独立测试集合的精度达90％，20个不同的人 人脸识别——设计要素 输入编码 ANN的输入必然是图像的某种表示，那么设计的关键是如何编码这幅图像 例如，可以对图像进行预处理，分解出边缘、亮度一致的区域或其他局部图像特征，然后把这些特征输入网络，问题是导致每幅图像有不同数量的特征参数，而ANN具有固定数量的输入单元 把图像编码成固定的30×32像素的亮度值，每个像素对应一个网络输入，把范围是0到255的亮度值按比例线性缩放到0到1的区间内，以使网络输入和隐层单元、输出单元在同样的区间取值。 人脸识别——设计要素（2） 输出编码 ANN必须输出4个值中的一个来表示输入图像中人脸的朝向 可以使用单一的输出单元来编码这4种情况 这里使用4个不同的输出单元，每一个