img146 (10)

140 Formy uczenia sieci neuronowych

Możliwe też będą (w miarę komplikacji sieci - coraz częstsze) stany pośrednie, częściowa niechęć (kolor ciemno zielony), nastawienie obojętne (kolor jasno zielony) i częściowa aprobata (kolor żółty, przechodzący potem w jasno czerwony) - rys. 8.3. Jak na mapie - od błękitnych głębin smutku do ciemnej czerwieni szczytowego entuzjazmu!

Rys. 8.3. Przykładowa mapa “preferencji” badanego “zwierzęcia” na pewnym etapie procesu nauki

Dzięki temu, że sieć ma tylko jedno wyjście będzie można także łatwo i wygodnie pokazać na ekranie jak sieć powinna działać. Zapalając na ekranie punkt odpowiadający określonemu zestawowi współrzędnych wejściowych będziesz mógł zobaczyć, czy punkt ten należy do klasy “akceptowanej” (wówczas zapalany będzie w kolorze czerwonym) czy “odrzucanej” (w takim wypadku zapalany będzie na ekranie w kolorze błękitnym). Oczywiście trzeba do tego będzie zaangażować specjalny edytor, o którym powiem Ci nieco dalej.

Ogromnie ciekawe będzie śledzenie, jak początkowa niepewność i niezdecydowanie sieci w miarę postępu procesu uczenia przekształcać się będzie w “hipotezy robocze”, które potem krystalizować się będą w “absolutną pewność”. Czegoś takiego nie dało by się równie prosto i sugestywnie pokazać dla sieci o wielu wyjściach, chociaż, jak już wspomniałem, wyjść w rzeczywistych systemach rozpoznawania bywa z reguły więcej niż jedno. Przyjęcie w prezentowanym niżej przykładzie tylko jednego wyjścia ma jednak tę dodatkową zaletę, że nie trzeba się zastanawiać, czy sieć, która - przykładowo - z dużym zdecydowaniem wskazuje na kilka potencjalnie możliwych zaklasyfikowań sygnałów wyjściowych (wśród których jest to właściwe) jest lepsza (czy może gorsza) od sieci, która wszystkie odpowiedzi podaje jako bardzo słabe i niepewne - chociaż wśród tych małych wartości -zdecydowanie największa przypada na wyjście tego neuronu, który powinien sygnalizować prawidłowo rozpoznany obiekt. Takich problemów z sieciami