/// <summary>
/// Обучает сеть входному вектору, с учетом желаемого выходного вектора.
/// Обучение происходит методом обратного распространения ошибки
/// </summary>
/// <param name="inputImage"></param>
/// <param name="targetOutput"></param>
public void Train(double[][] inputImage, double[] targetOutput)
{
Debug.AssertEqualSize(inputImage, InputImageWidth, InputImageHeight);
Debug.Assert(targetOutput.Length == OutputLayer.Neurons.Length);
// прогоняем картинку через сеть
PropagateForward(inputImage);
// подсчет mse
var output = GetOutputVector();
var mse = ArrayMath.CalculateMSE(output, targetOutput);
// если она не мала, то обучаем сеть обратным распространением
if (mse > 0.1 * TrainingInfo.EpochMSE)
{
PropagateBack(targetOutput);
}
// обновляем статистику
TrainingInfo.PushMeanSquaredError(mse);
TrainingInfo.IncrementBackPropagationsCount();
}
private void TestProcess(NormalizedImage[] images)
{
for (_imageProcessed = 0; _imageProcessed < images.Length; _imageProcessed++)
{
var desiredOutput = ArrayHelper <double> .CreateScalar(10, -1.0, images[_imageProcessed].Label.Value, 1.0);
var output = _network.Calculate(images[_imageProcessed].RawData);
var answer = ArrayMath.MaxValueIndex(output);
var mse = ArrayMath.CalculateMSE(output, desiredOutput);
if (answer != images[_imageProcessed].Label)
{
_errors.Push(_imageProcessed);
}
_totalMSE += mse;
if (_cancelTrainToken.IsCancellationRequested)
{
break;
}
}
}
