问题标签 [perceptron]

假设我有一个小位图，其中包含一个手写数字（0..9）。

是否可以使用（两层）感知器检测数字？

除了使用神经网络之外，还有其他方法可以从位图中检测单个数字吗？

我正在开发一个程序来使用 OCR 技术从图像中识别字符。到目前为止，我使用了一种扫描图像的方法，但现在我必须使用神经网络。请解释什么是单层感知器以及如何使用它来训练网络。

我正在学习神经网络基础知识。

如何在 C# 中使用感知器实现 AND、OR 和 XOR 逻辑？

网络上的任何地方是否有免费的（最好是公共领域或类似 BSD 的许可证，但 GPL 可以）实现多层感知器？

我有教科书的例子，但许可证太严格了，虽然我可以按照维基百科文章中的数学计算，但我没有足够的信心做对，而且很难测试。

我做了一个快速的谷歌搜索，发现了一些免费的（如啤酒）二进制版本。我希望找到一个 MLP，它是一个更大的开源项目的一部分。

这是我在 ANSI C 中的感知器实现：

我正在使用的训练集：数据集

我已经删除了所有不相关的代码。基本上它现在所做的就是读取test1.txt文件并将值从其中加载到三个数组中：x, y, outputs.

然后有一个感知器学习算法，由于某种原因，它没有收敛到 0（globalError应该收敛到 0），因此我得到了一个无限的 do while 循环。

当我使用较小的训练集（如 5 分）时，效果很好。任何想法可能是问题所在？

我写的这个算法与这个C# Perceptron 算法非常相似：

编辑：

这是一个较小训练集的示例：

在设计具有多个输出的前馈神经网络时，具有具有多个输出的单个网络与具有多个网络且每个具有单个输出之间是否存在概念差异（计算效率除外）？

尽管同一网络中的输出神经元不会“即时”相互影响，但它们确实会影响训练，因为来自每个输出的误差会反向传播并影响隐藏层的权重，进而影响其他输出的值.

有没有可以更好地解决的问题？直觉上，我会说单个网络更适合一次只有一个输出应该处于活动状态的问题（即 OCR），其中多个网络更适合多个输出可以同时处于活动状态的问题（即当每个输出对应于某些特征时）在输入中，其中几个可以同时出现）。但这只是直觉。它实际上成立吗？

是否有现有的判别性重新排序软件，例如Charniak NLP 解析器、Shen、Sarkar 和 Och 的解析器或Shen 和 Joshi 的技术使用的软件？我想要一些可以轻松适应自己用途的东西，类似于解析重新排序。

我在试图弄清楚如何调整我的感知器算法的参数以便它在看不见的数据上表现相对较好时遇到了一些问题。

我已经实现了一个经过验证的工作感知器算法，我想找出一种方法来调整迭代次数和感知器的学习率。这是我感兴趣的两个参数。

我知道感知器的学习率不会影响算法是否收敛和完成。我试图掌握如何改变n。太快，它会摆动很多，太低，它会花费更长的时间。

至于迭代次数，我不完全确定如何确定一个理想的数字。

无论如何，任何帮助将不胜感激。谢谢。

给知道答案的人一些简单的标记。

我现在正在为考试做复习，过去的问题之一是：

感知器的顺序是什么意思？

我在课堂笔记中找不到任何有关这方面的信息，甚至 google 似乎也不知所措。

我的猜测是顺序是神经网络中的层数，但这似乎不太正确。

我正在阅读感知器并试图在haskell中实现一个。该算法似乎在我可以测试的范围内工作。我将在某个时候完全重写代码，但在这样做之前，我想问一些在编码时出现的问题。

当返回完整的神经元时，可以训练神经元。let neuron = train set [1,1]有效，但是如果我更改 train 函数以返回没有输入的不完整神经元，或者尝试进行模式匹配并仅创建不完整的神经元，则代码将陷入无休止的循环。

tl; dr 当返回完整的神经元时一切正常，但是当返回可咖喱神经元时，代码陷入循环。

编辑：根据评论，指定更多。

使用上面的代码运行，我得到： perceptron: <<loop>>

但是通过编辑 main 方法来：

（注意let neuron, 和 print 行），一切正常，输出为：

Neuron 1.0 [0.71345896,0.33792675] [1.0,0.0]