Đánh giá Kết quả và đánh giá Thử nghiệm việc huấn luyện mạng với tập mẫu của 3 loại font Latinh Arial, Latinh Tahoma, Latinh Times Roman

Kết quả và đánh giá Kết quả và đánh giá Thử nghiệm việc huấn luyện mạng với tập mẫu của 3 loại font Latinh Arial, Latinh Tahoma, Latinh Times Roman Kết quả khi thay đổi số vòng lặp (epoch) Số kí tự =.

Kết đánh giá Thử nghiệm việc huấn luyện mạng với tập mẫu loại font: Latinh Arial, Latinh Tahoma, Latinh Times Roman Kết thay đổi số vịng lặp (epoch) Số kí tự = 90, tốc độ học learning_rate = 150, hệ số góc hàm sigmoid α = 0.014 Kết thay đổi tham số learing_rate Số kí tự = 90, số Epoch = 600, hệ số góc α = 0.014 Kết luận Với kết thu trình thử nghiệm huấn luyện ta chọn thơng số mạng:  Số vịng lặp epoch = 300 – 600  Tốc độ học learning_rate = 150  Hệ số góc hàm sigmoid αα = 0.014  Ngưỡng sai số ε = 0.0002 Phân tích ảnh hưởng việc thay đổi thông số Tăng số vịng lặp nói chung tạo tương quan tỉ lệ rõ ràng Tuy nhiên trường hợp đó, tăng số lần lặp tác động ngược lại: tăng số trường hợp nhận dạng sai Điều phần giá trị cao tham số tốc độ học mạng tiến gần đến giới hạn tối ưu trọng số cao cập nhật kết việc bỏ qua trạng thái tối ưu Với số lần lặp lớn hơn, mạng cố gắng “swing” trở lại trạng thái mong muốn tiếp tục quay lại lần có khả bỏ lỡ trạng thái tối ưu vòng lặp cuối Hiện tượng learning over hay cịn gọi tượng học vẹt Kích thước trạng thái đầu vào cũng yếu tố tác động trực tiếp đến hiệu suất mạng Tập ký tự đầu vào nhiều yêu cầu để huấn luyện dễ bị mắc lỗi Thường tập input có cỡ lớn phức tạp u cầu topo mạng lớn với số lần lặp lại nhiều Hệ số learning rate cũng ảnh hưởng hiệu suất mạng số vòng lặp xác định Giá trị tham số nhỏ mạng hiệu chỉnh trọng số chậm Nhưng muốn đạt đến trạng thái tối ưu ta phải tăng số vịng lặp nhiều Giá trị tối ưu định cho tham số học 150  ... kí tự = 90, số Epoch = 600, hệ số góc α = 0.014 Kết luận Với kết thu trình thử nghiệm huấn luyện ta chọn thơng số mạng:  Số vòng lặp epoch = 30 0 – 600  Tốc độ học learning_rate = 150  Hệ số... thái đầu vào cũng yếu tố tác động trực tiếp đến hiệu suất mạng Tập ký tự đầu vào nhiều yêu cầu để huấn luyện dễ bị mắc lỡi Thường tập input có cỡ lớn phức tạp yêu cầu topo mạng lớn với số... Điều phần giá trị cao tham số tốc độ học mạng tiến gần đến giới hạn tối ưu trọng số cao cập nhật kết việc bỏ qua trạng thái tối ưu Với số lần lặp lớn hơn, mạng cố gắng “swing” trở lại trạng thái