I. Introduction to Neural Networks

I. Introduction to Neural Networks
The notation for a neural net structure for multiple output neurons is shown in Figure 3. The inputs are x1, x2, x3, ... as before. For the output neurons yin1, yin2, yin3, ... represent the pre-threshold values of output neurons 1, 2, 3, ... with final outputs y1, y2, y3, ... after the threshold function is applied. That is, yj = f(yinj) for each output j, where f is the threshold function. The weight on the connection from input neuron xi to output neuron yj is labeled wij, and the pre-threshold of the jth output neuron is the product of each xi and wij, summed over all i. The objective is to match each output yj to a target value tj.

A more general neural network structure is shown in Figure 4. The layer of neurons between the input and output layers is called a hidden layer. The brain’s structure is composed on many such layers. However, the examples to be shown in this paper will utilize the simpler structure without any hidden layers.

Results (Thai) 2:

ฉันรู้เบื้องต้นเกี่ยวกับโครงข่ายประสาท
สัญกรณ์สำหรับโครงสร้างสุทธิประสาทเซลล์ประสาทหลายเอาท์พุทจะแสดงในรูปที่ 3 ปัจจัยการผลิตที่มี x1, x2, x3, ... เป็นมาก่อน สำหรับการส่งออกเซลล์ประสาท yin1, yin2, yin3 ... เป็นตัวแทนของค่าก่อนเกณฑ์ของเซลล์ประสาทที่ส่งออก 1, 2, 3, ... ที่มีผลสุดท้าย y1, y2, y3 ... หลังจากที่ฟังก์ชั่นเกณฑ์ถูกนำไปใช้ นั่นคือ yj = f (yinj) สำหรับแต่ละญการส่งออกที่เป็นฟังก์ชั่นฉเกณฑ์ น้ำหนักในการเชื่อมต่อจากการป้อนข้อมูลไปยังเซลล์ประสาทเซลล์ประสาทจินเอาท์พุท yj จะมีป้าย Wij และเกณฑ์ล่วงหน้าของเซลล์ประสาทที่ส่งออก jth เป็นผลิตภัณฑ์ของแต่ละซีอานและ Wij สรุปมากกว่าฉันทั้งหมด โดยมีวัตถุประสงค์เพื่อให้ตรงกับแต่ละ yj ส่งออกไปยังค่าเป้าหมาย TJ. โครงสร้างเครือข่ายประสาททั่วไปมากขึ้นก็แสดงให้เห็นในรูปที่ 4 ชั้นของเซลล์ประสาทระหว่างอินพุทและเอาท์พุทชั้นที่เรียกว่าชั้นที่ซ่อน โครงสร้างของสมองประกอบด้วยในชั้นดังกล่าวจำนวนมาก แต่ตัวอย่างที่จะแสดงให้เห็นในบทความนี้จะใช้โครงสร้างที่เรียบง่ายโดยไม่ต้องชั้นที่ซ่อนอยู่

Results (Thai) 3:

ผมแนะนำโครงข่าย
หมายเหตุสำหรับโครงสร้างเครือข่ายประสาทสำหรับเซลล์ประสาทออกหลายจะแสดงในรูปที่ 3 กระผมเป็น x1 , x2 , x3 , . . . เช่นเดิม สำหรับผลผลิตเซลล์ประสาท yin1 yin2 yin3 , , , . . . แสดงก่อนค่าเกณฑ์ของผลผลิตของกลุ่มที่ 1 , 2 , 3 , . . . กับ y1 ผลผลิตสุดท้าย , Y2 , Y3 , . . . หลังจากการทำงานของเป็นใช้ นั่นคือ เยจิน = F ( yinj ) ของแต่ละผลผลิต เจโดยที่ f เป็นฟังก์ชันเกณฑ์ น้ำหนักในการเชื่อมต่อจาก Xi เซลล์ประสาทนำเข้าผลผลิตเซลล์ประสาท เยจิน เป็นข้อความที่เรา และก่อนเกณฑ์ของ jth ผลผลิตเซลล์ประสาทเป็นผลิตภัณฑ์ของแต่ละ Xi และ - งเหนือชั้นโดยมีวัตถุประสงค์เพื่อให้ตรงกับแต่ละผลผลิตเยจินเพื่อเป้าหมายค่าเช่น .

โครงสร้างเครือข่ายประสาททั่วไปมากกว่าจะเป็นรูปที่ 4ชั้นของการทำงานระหว่างอินพุตและเอาต์พุตชั้นเรียกว่าเลเยอร์ที่ซ่อนอยู่ โครงสร้างสมองของประกอบในชั้นต่างๆ มากมาย อย่างไรก็ตาม ตัวอย่างที่จะแสดงในบทความนี้จะใช้ง่ายกว่าโครงสร้างโดยไม่ต้องชั้นซ่อนใด ๆ .