Как подобрать весы для нового изображения на входе в нейросеть?
Допустим, что есть нейросеть, которая уже "обучена" и создала файл с метками классов, в котором хранится наиболее правильное значение выданное сетью и класс, к которому это значение принадлежит.
Теперь надо подать на вход (для получения результата предсказания) новое изображение, которого не было в обучении. Но какие начальные весы нужно задать для этого изображения? Чем руководствоваться?
P.S. как я понимаю, что прогнав новое изображение через слои сети можно получить выходное значение и сверить его со значениями в файле с метками классов. Это вообще так работает или как-то по-другому?
"Это" работает по-другому.
После того, как вы обучили сеть, никаких пересчетов весов не проводиться.
Вы подаете на вход "новое" изображение (новое - означает такое, "правильную метку" которого вы не знаете!!!), на вход получаете метку, присвоенную ему сетью. Все. Задача решена.
А с чем вы собираетесь ее сравнивать полученную метку - из вашего текста вообще не ясно.
То есть с каждой иттерацией мы корректируем весы, а в конце, после обучения, получаем что-то вроде "универсальных весов", через которые можно прогнать входной массив и получить приближенный результат?
Biba_neBoba, Простите, а вы про нейронные сети что-то вообще читали?
Работа с нейросетью для задач классификации разделена на два этапа.
Этап первый - "обучение нейросети". Вы скармливаете нейросети набор ваших обучающих данных, для каждого элемента этого набора известны перечень значений параметров и метка класса, к которому он принадлежит. По окончанию этого этапа вы получаете собственно обученную нейросеть, т.е. на понятийном уровне - значения весов связей между ее нейронами, а математически - некоторую сложную (возможно очень) функцию, заданную ее коэффициентами. Все, подготовка закончена.
Эта второй - "боевое применение". Обученная нейросеть используется для классификации новых объектов, т.е. таких объектов, о которых вы знаете только набор значений ее параметров. А нейросеть сама решает, к какому классу этот объект отнести.
Насколько "приближенным" будет ваш результат зависит от того, как вы обучили свою сеть на первом этапе и еще от того, насколько репрезентативна была ваша обучающая выборка.
Простой
Простой
