img275 (5)

Elementarne wprowadzenie do techniki sieci neuronowych

Otóż w różnych okolicznościach te dwie miary dostarczają różnych informacji i mogą być użyteczne do dwóch różnych celów.

Generując nowe obrazki lepiej opierać się na obserwacji (i maksymalizacji) iloczynu skalarnego. Odległość Hamminga może być myląca, ponieważ na przykład jest wrażliwa na operację brania inwersji wzorca (patrz rys. 11.27 i porównaj go z rys. 11.24., 11.25 i 11.26), co nie powinno mieć miejsca.

Rys. 11.27. Zmiana wartości odległości Hamminga przy inwersji znaku

Natomiast podczas obserwacji pracy sieci, kiedy będziesz śledził jej wysiłki zmierzające do przypomnienia sobie jakiegoś wzorca - bardziej przydatna będzie odległość Hamminga. Pozwoli Ci ona oceniać, czy proces poszukiwań jest na dobrej drodze, czy sieć zbliża się, czy oddala od prawidłowego wzorca. To bywa bardzo emocjonujące - zwłaszcza gdy uda się zaobserwować bardzo ciekawe zjawisko - ucieczki sieci od właściwego wzorca i “przypominanie sobie” zupełnie innej zapamiętanej informacji. Obejrzyj przykład podany na rysunku 11.28. Zwróć uwagę na liczby pojawiające się poniżej zestawu wzorców. Podają one odległości Hamminga między sygnałem aktualnie występującym na wyjściu sieci a wszystkimi rozważanymi wzorcami. Rysunek pomoże Ci w orientacji, które sygnały odpowiadają którym zestawom odległości. Na początku masz do czynienia z idealnym odtworzeniem wzorca nr 1, więc odległość między tym wzorcem a pokazywanym na wejściu sieci sygnałem jest zerowa. Do innych wzorców jest bezpiecznie daleko - od 25 do 45 jednostek. Więcej jednostek odległości melduje program tam, gdzie sygnał i bodziec są mało podobne (0 i 1), mniej