神经网络训练标准：如何在不过度训练的情况下训练多个类别（即形状和颜色）
Neural Network Training Criteria: How to Train on Multiple Categories (i.e. shape and color) Without Over-Training
我一直在探索通过神经网络进行图像识别。经过一些研究，我开始使用 Encog 和他们的 "ImageNeuralNetwork.java" 示例。
在他们的示例中，他们使用每枚美国货币硬币（便士、10 美分等）的一张图像作为训练集，然后相应地识别给定的硬币图像。
现在我想以他们的例子为起点，用不同的图像进行练习。我正在尝试使用 shapes/colors 作为训练。例如，我想让程序识别红色圆圈和红色矩形之间的区别，但我也想识别红色圆圈和蓝色圆圈之间的区别。
我记得读过，你不应该过度训练并给出所有可能的训练图像组合（例如在这种情况下给出 4 个图像，2 个不同颜色的圆圈和 2 个不同颜色的矩形）。
我是否仍然可以使用 Encog 的硬币识别示例来训练多个类别（形状和颜色），或者这是另一个概念？在不提供所有可能的 color/shape 组合并因此过度训练的情况下，我可以提供特定的最小数量的训练图像吗？
谈到避免过度训练，没有可靠的经验法则。这完全取决于您的网络结构和数据特征。大多数构建神经网络的人通过反复试验来解决过度训练（或过度拟合）的问题。只要您的网络以高精度对训练数据进行分类，而以低精度对测试数据进行分类，您就会过度训练，您将需要减少训练迭代并重新构建网络并不断重复此过程。所以要回答你的第二个问题，没有特定的最小图像数量。
关于你的第一个问题，你绝对可以在多个类别上进行训练，并且有几种方法可以做到这一点......通过为每个类别设置多个输出神经元或通过编码输出......但最常见的是每个类别都有一个单独的网络效果更好。在大多数情况下，与神经网络相比，对于颜色或形状识别，主成分分析的效果更好。
我一直在探索通过神经网络进行图像识别。经过一些研究，我开始使用 Encog 和他们的 "ImageNeuralNetwork.java" 示例。
在他们的示例中，他们使用每枚美国货币硬币（便士、10 美分等）的一张图像作为训练集，然后相应地识别给定的硬币图像。
现在我想以他们的例子为起点，用不同的图像进行练习。我正在尝试使用 shapes/colors 作为训练。例如，我想让程序识别红色圆圈和红色矩形之间的区别，但我也想识别红色圆圈和蓝色圆圈之间的区别。
我记得读过，你不应该过度训练并给出所有可能的训练图像组合（例如在这种情况下给出 4 个图像，2 个不同颜色的圆圈和 2 个不同颜色的矩形）。
我是否仍然可以使用 Encog 的硬币识别示例来训练多个类别（形状和颜色），或者这是另一个概念？在不提供所有可能的 color/shape 组合并因此过度训练的情况下，我可以提供特定的最小数量的训练图像吗？
谈到避免过度训练，没有可靠的经验法则。这完全取决于您的网络结构和数据特征。大多数构建神经网络的人通过反复试验来解决过度训练（或过度拟合）的问题。只要您的网络以高精度对训练数据进行分类，而以低精度对测试数据进行分类，您就会过度训练，您将需要减少训练迭代并重新构建网络并不断重复此过程。所以要回答你的第二个问题，没有特定的最小图像数量。
关于你的第一个问题，你绝对可以在多个类别上进行训练，并且有几种方法可以做到这一点......通过为每个类别设置多个输出神经元或通过编码输出......但最常见的是每个类别都有一个单独的网络效果更好。在大多数情况下，与神经网络相比，对于颜色或形状识别，主成分分析的效果更好。