最近我发布了很多关于我正在制作的字符识别程序的问题。我以为直到今天我才能完全正常工作。我认为这与我对网络的训练有关。以下是对我认为训练和模拟过程如何进行的解释。
给这两张图
目标
输入
我想训练网络识别字母 D。请注意，在完成此操作之前，我已将图像处理成二进制矩阵。对于我使用的培训
[net,tr] = train(net,inputs,targets);
我是目标而不是输入，因为我想训练网络识别目标图像中的所有字母。
然后我跑
outputs = sim(net,inputs);
其中输入是带有字母“D”的图像，或带有 ABCD 中任何其他字母的图像。这里的基本前提是我想训练网络识别 ABCD 中的所有字母，然后选择任何字母 A、B、C 或 D，看看网络是否识别出这个选择的字母。
问题：
我对培训程序是否正确？
好吧，这在很大程度上取决于您如何实现神经网络。尽管关于您提出的问题，我猜您自己并没有实现它，而是使用了一些现成的 API。
无论如何，您应该在使用它们之前先了解您使用的工具（这里是神经网络）。
神经网络接受输入并对输入执行线性或非线性变换并返回输出。
输入和输出始终是数值。然而，它们可能代表任何类型的数据。
输入可以是：
在您的情况下，输入是您的字符图像（您的二进制矩阵）的像素。
输出可以是：
在您的情况下，您正在进行分类（预测输入代表哪个字符），因此您的输出是一个类。
为了让您了解网络是如何训练的，我将首先解释如何在训练后使用它，然后解释它对训练阶段的含义。
所以一旦你训练了你的网络，你会给它代表你的图像的二进制矩阵，它会输出类（字符），例如：0 代表 A，1 代表 B，2 代表 C 和 3对于 D。换句话说，你有：
训练阶段包括告诉网络您希望每个输入的输出。
训练阶段使用的数据类型与“预测阶段”使用的数据类型相同。因此，对于训练阶段：
这样，你告诉网络学习如果你给它 A 的图像它应该输出 0，如果你给它 B 的图像它应该输出 1，依此类推。
注意：您错了，因为您认为“输入”是在训练阶段之后要给网络的输入，而实际上它们是在训练阶段给网络的输入。