Neyron tarmoqlari yordamida tasvirlarni siqish algoritmi

sing System; using AForge.Neuro; using AForge.Neuro.Learning; namespace FANN { class Program { static void Main(string[] args) { // Создаем сеть с сигмодиной активацонной функцией и 4 слоями (с 10,3,3,10 нейронами в каждом слое, соответственно) ActivationNetwork net = new ActivationNetwork((IActivationFunction)new SigmoidFunction(), 10,3,3,10); // Обучение - алгоритм с обратным распространением ошибки BackPropagationLearning trainer = new BackPropagationLearning(net); // Формируем множество входных векторов double[][] input = new double[][] { new double[]{1,1,1,1,1,1,1,1,1,1}, new double[]{0,0,0,0,0,0,0,0,0,0}, new double[]{1,1,1,1,1,0,0,0,0,0}, new double[]{0,0,0,0,0,1,1,1,1,1}, }; // Формируем множество желаемых выходных векторов double[][] output= new double[][] { new double[]{1,1,1,1,1,1,1,1,1,1}, new double[]{0,0,0,0,0,0,0,0,0,0}, new double[]{1,1,1,1,1,0,0,0,0,0}, new double[]{0,0,0,0,0,1,1,1,1,1}, }; //

• sing System; using AForge.Neuro; using AForge.Neuro.Learning; namespace FANN { class Program { static void Main(string[] args) { // Создаем сеть с сигмодиной активацонной функцией и 4 слоями (с 10,3,3,10 нейронами в каждом слое, соответственно) ActivationNetwork net = new ActivationNetwork((IActivationFunction)new SigmoidFunction(), 10,3,3,10); // Обучение - алгоритм с обратным распространением ошибки BackPropagationLearning trainer = new BackPropagationLearning(net); // Формируем множество входных векторов double[][] input = new double[][] { new double[]{1,1,1,1,1,1,1,1,1,1}, new double[]{0,0,0,0,0,0,0,0,0,0}, new double[]{1,1,1,1,1,0,0,0,0,0}, new double[]{0,0,0,0,0,1,1,1,1,1}, }; // Формируем множество желаемых выходных векторов double[][] output= new double[][] { new double[]{1,1,1,1,1,1,1,1,1,1}, new double[]{0,0,0,0,0,0,0,0,0,0}, new double[]{1,1,1,1,1,0,0,0,0,0}, new double[]{0,0,0,0,0,1,1,1,1,1}, }; //

Переменная, сохраняющая значение ошибки сети на предыдущем шаге double prErr = 10000000; // Ошибка сети double error = 100; // Сначала скорость обучения должна быть высока trainer.LearningRate = 1; // Обучаем сеть пока ошибка сети станет небольшой while (error > 0.001) { // Получаем ошибку сети error = trainer.RunEpoch(input, output); // Если ошибка сети изменилась на небольшое значения, в сравнении ошибкой предыдущей эпохи if (Math.Abs(error - prErr) < 0.000000001) {

• Переменная, сохраняющая значение ошибки сети на предыдущем шаге double prErr = 10000000; // Ошибка сети double error = 100; // Сначала скорость обучения должна быть высока trainer.LearningRate = 1; // Обучаем сеть пока ошибка сети станет небольшой while (error > 0.001) { // Получаем ошибку сети error = trainer.RunEpoch(input, output); // Если ошибка сети изменилась на небольшое значения, в сравнении ошибкой предыдущей эпохи if (Math.Abs(error - prErr) < 0.000000001) {