The Structure of a Neural NetThe st

The Structure of a Neural Net
The structure of a neural net consists of connected units referred to as
"nodes" or "neurons". Each neuron performs a portion of the
computations inside the net: a neuron takes some numbers as inputs,
performs a relatively simple computation on these inputs, and returns
an output. The output value of a neuron is passed on as one of the
inputs for another neuron, except for neurons that generate the final
output values of the entire system.
Neurons are arranged in layers. The input layer neurons receive the
inputs for the computations, like the length, diameter, and weight of
an individual abalone. These values are passed to the neurons in the
first hidden layer, which perform computations on their inputs and
pass their outputs to the next layer. This next layer could be another
hidden layer, if there is one. The outputs from the neurons in the last
hidden layer are passed to the neuron or neurons that generate the
final outputs of the net, like the age of the abalone.
Numeric and Category Prediction
When neural nets are used to predict numeric values, they typically
have just one output. This is because single-output nets are more
reliable than multiple-output nets, and almost any prediction problem
can be addressed using single-output nets. For example, instead of
constructing a single net to predict the volume and the price for a
stock on the following day, it is better to build one net for price
predictions, and one for volume predictions. On the other hand,
neural nets have multiple outputs when used for
classification/category prediction. For example, suppose that we
want to predict if the price of a stock the following day will "rise more
that 1%", "fall more than 1%", or "not change more than 1%". Then the
net will have three numeric outputs, and the greatest output will
indicate the category selected by the net.
Training a Net
Training a net is the process of fine-tuning the parameters of the
computation, where the purpose is to make the net output
approximately correct values for given inputs. This process is guided
by training data on the one hand, and the training algorithm on the
other. The training algorithm selects various sets of computation
parameters, and evaluates each set by applying the net to each
training case to determine how good the answers given by the net are.
Each set of parameters is a "trial"; the training algorithm selects new
sets of parameters based on the results of previous trials.
Computer Processing of Neural Nets
A neural net is a model of computations that can be implemented in
various types of computer hardware. A neural net could be built
from small processing elements, with each performing the work of a
single neuron. However, neural nets are typically implemented on a
computer with a single powerful processor, like most computers
currently in use. With single-processor computers the program, like
NeuralTools, uses the same processor to perform each neuron's
computations; in this case the concept of a neuron describes part of
the computations needed to obtain a prediction, as opposed to a
physical processing element.
Types of Neural Networks
There are various types of neural networks, differing in structure,
kinds of computations performed inside neurons, and training
algorithms. One type offered in NeuralTools is the Multi-Layer
Feedforward Network. With MLF nets, a NeuralTools user can
specify if there should be one or two layers of hidden neurons, and
how many neurons the hidden layers should contain (NeuralTools
provides help with making appropriate selections, as described in the
section on MLF nets). NeuralTools also offers Generalized
Regression Neural Nets and Probabilistic Neural Nets; these are
closely related, with the former used for numeric prediction, and the
latter for category prediction/classification. With GRN/PN nets there
is no need for the user to make decisions about the structure of a net.
These nets always have two hidden layers of neurons, with one
neuron per training case in the first hidden layer, and the size of the
second layer determined by some facts about training data.
The remaining sections of this chapter discuss in more detail each
type of neural network offered in NeuralTools.

ผลลัพธ์ (ไทย) 1:

โครงสร้างของสุทธิประสาทโครงสร้างของสุทธิประสาทประกอบด้วยหน่วยเชื่อมต่อที่เรียกว่า"โหน" หรือ "neurons" เซลล์ประสาทแต่ละส่วนของดำเนินการหนึ่งภายในสุทธิ: เซลล์ประสาทใช้เลขเป็นอินพุตทำการคำนวณที่ค่อนข้างง่ายในข้อมูลเหล่านี้ และส่งกลับผลผลิต มูลค่าผลผลิตของเซลล์ประสาทถูกส่งผ่านไปบนเป็นหนึ่งในอินพุตสำหรับเซลล์ประสาทอื่น ยกเว้น neurons ที่สร้างสุดท้ายแสดงผลค่าของระบบทั้งหมดNeurons จะจัดเรียงเป็นชั้น Neurons ชั้นเข้ารับการอินพุตสำหรับการประมวลผล ความยาว ขนาด และน้ำหนักของหอยเป๋าฮื้อละ ค่าเหล่านี้จะผ่านไป neurons ในการแรกซ่อนชั้น ที่ทำการประมวลผลของอินพุต และผ่านการแสดงผลของชั้นถัดไป ชั้นต่อไปนี้อาจเป็นอีกซ่อนเลเยอร์ ถ้ามีการ แสดงผลจาก neurons สุดท้ายซ่อนเลเยอร์จะถูกส่งผ่านไปเซลล์ประสาท neurons ที่สร้างนี้การแสดงผลสุทธิ เช่นอายุของหอยเป๋าฮื้อสุดท้ายตัวเลข และทำนายหมวดหมู่เมื่อมีใช้ตาข่ายประสาทเพื่อทำนายค่าตัวเลข พวกเขาโดยทั่วไปมีผลผลิตเพียงหนึ่ง ทั้งนี้เนื่องจากมุ้งเดียวออกเป็นความน่าเชื่อถือกว่ามุ้งหลายผลลัพธ์ และเกือบทุกปัญหาพยากรณ์สามารถได้รับโดยใช้มุ้งเดียวออก ตัวอย่าง แทนของสร้างสุทธิเดียวเพื่อทำนายปริมาณและราคาในการหุ้นในวันดังต่อไปนี้ ดีกว่าสร้างหนึ่งสำหรับราคาคาดคะเน และสำหรับคาดคะเนปริมาณการ ในทางตรงข้ามตาข่ายประสาทมีเอาท์พุตหลายเมื่อใช้สำหรับการคาดเดาประเภท/หมวดหมู่ ตัวอย่าง สมมุติว่า เราต้องทายว่า ถ้า ราคาหุ้นวันต่อไปนี้จะ "เพิ่มขึ้นมากที่ 1% ", "ลดลงกว่า 1% " หรือ"ไม่เปลี่ยน"มากกว่า 1% นั้นสุทธิจะแสดงผลเป็นตัวเลขที่สาม และจะออกมากที่สุดระบุประเภทที่เลือก โดยสุทธิฝึกอบรมสุทธิสุทธิการฝึกอบรมเป็นกระบวนการของพารามิเตอร์ของงานเพื่อให้เกิดการคำนวณ วัตถุประสงค์ที่ต้องการส่งออกสุทธิประมาณค่าถูกต้องสำหรับให้อินพุต นำกระบวนการนี้โดยข้อมูลการฝึกอบรมคง และขั้นตอนวิธีการฝึกอบรมในการอื่น ๆ ขั้นตอนวิธีการฝึกอบรมเลือกชุดต่าง ๆ การคำนวณพารามิเตอร์ และประเมินแต่ละชุด โดยใช้เน็ตละกรณีฝึกอบรมการตรวจสอบคำตอบโดยสุทธิเป็นวิธีที่ดีแต่ละชุดของพารามิเตอร์เป็นการ "ทดลอง" เลือกขั้นตอนวิธีการฝึกใหม่ชุดของพารามิเตอร์ตามผลลัพธ์ของการทดลองก่อนหน้านี้การประมวลผลคอมพิวเตอร์ตาข่ายประสาทสุทธิประสาทเป็นรูปแบบหนึ่งที่สามารถนำมาใช้ในชนิดต่าง ๆ ของฮาร์ดแวร์คอมพิวเตอร์ สามารถสร้างประสาทสุทธิจากเล็กประมวลผลองค์ประกอบ มีการทำงานของแต่ละปฏิบัติการเซลล์ประสาทเดียวกัน อย่างไรก็ตาม ตาข่ายประสาทจะโดยปกติดำเนินการในการคอมพิวเตอร์ที่มีประสิทธิภาพโปรเซสเซอร์เดียว เช่นคอมพิวเตอร์ส่วนใหญ่ใช้ในปัจจุบัน ตัวประมวลผลเดียวคอมพิวเตอร์โปรแกรม เช่นNeuralTools ใช้ตัวประมวลผลเดียวกันการดำเนินการของแต่ละเซลล์ประสาทหนึ่ง ในกรณีนี้ แนวคิดของเซลล์ประสาทอธิบายส่วนของหนึ่งต้องได้รับการคาดการณ์ ซึ่งตรงกันข้ามการมีองค์ประกอบทางกายภาพกระบวนการชนิดของเครือข่ายประสาทมีชนิดต่าง ๆ ของเครือข่ายประสาท แตกต่างกันในโครงสร้างชนิดหนึ่งที่ดำเนินการภายใน neurons และการฝึกอบรมอัลกอริทึมการ ชนิดหนึ่งที่นำเสนอใน NeuralTools มีหลายชั้นเครือข่าย Feedforward มีมุ้ง MLF, NeuralTools ผู้ใช้สามารถระบุว่า ควรมีหนึ่ง หรือสองชั้นของ neurons ที่ซ่อนอยู่ และจำนวน neurons ชั้นซ่อนควรประกอบด้วย (NeuralToolsแสดงวิธีการให้เลือกที่เหมาะสม ในการส่วนมุ้ง MLF) NeuralTools ยังมี Generalizedตาข่ายประสาทถดถอยและตาข่ายประสาท Probabilistic เหล่านี้เป็นความสัมพันธ์ กับอดีตที่ใช้สำหรับการคาดเดาตัวเลข และหลังการทำนาย/จัดหมวดหมู่ กับ GRN/PN มีมุ้งจึงไม่จำเป็นสำหรับผู้ใช้ตัดสินใจเกี่ยวกับโครงสร้างของสุทธิตาข่ายเหล่านี้มักจะมีสองซ่อนชั้นของ neurons หนึ่งเซลล์ประสาทต่อกรณีในชั้นซ่อนแรก และขนาดของการฝึกอบรมชั้นสองตามข้อเท็จจริงบางอย่างเกี่ยวกับข้อมูลการฝึกอบรมส่วนที่เหลือของบทนี้กล่าวถึงในรายละเอียดแต่ละชนิดของเครือข่ายประสาทเสนอใน NeuralTools

ผลลัพธ์ (ไทย) 2:

โครงสร้างของระบบประสาทสุทธิ
โครงสร้างของสุทธิประสาทประกอบด้วยหน่วยที่เกี่ยวโยงกันเรียกว่า
"โหนด" หรือ "เซลล์" เซลล์ประสาทแต่ละดำเนินการในส่วนของ
การคำนวณภายในสุทธิ: เซลล์ประสาทใช้ตัวเลขบางเป็นปัจจัยการผลิต,
การดำเนินการคำนวณที่ค่อนข้างง่ายในปัจจัยการผลิตเหล่านี้และส่งกลับ
เอาท์พุท มูลค่าส่งออกของเซลล์ประสาทจะถูกส่งเป็นหนึ่งใน
ปัจจัยที่ใช้สำหรับเซลล์ประสาทอื่นยกเว้นเซลล์ประสาทที่สร้างสุดท้าย
ค่าเอาท์พุทของระบบทั้งหมด.
เซลล์ประสาทจะถูกจัดเรียงในชั้น เซลล์ประสาทชั้นการป้อนได้รับ
ปัจจัยที่ใช้สำหรับการคำนวณเช่นเดียวกับความยาวเส้นผ่าศูนย์กลางและน้ำหนักของ
แต่ละหอยเป๋าฮื้อ ค่าเหล่านี้จะส่งผ่านไปยังเซลล์ประสาทใน
ชั้นซ่อนแรกซึ่งดำเนินการคำนวณเกี่ยวกับปัจจัยการผลิตของพวกเขาและ
เอาท์พุทผ่านพวกเขาไปยังชั้นถัดไป ชั้นนี้ต่อไปอาจจะเป็นอีก
ชั้นที่ซ่อนอยู่หากมีหนึ่ง เอาท์พุทจากเซลล์ประสาทในช่วง
ชั้นที่ซ่อนจะส่งผ่านไปยังเซลล์ประสาทหรือเซลล์ประสาทที่สร้าง
ผลสุดท้ายของสุทธิเช่นอายุของหอยเป๋าฮื้อ.
ตัวเลขและหมวดหมู่ทำนาย
เมื่อประสาทที่ใช้ในการคาดการณ์ค่าตัวเลขพวกเขามักจะ
มี เพียงหนึ่งในการส่งออก เพราะนี่คือมุ้งเดียวเอาท์พุทมี
ความน่าเชื่อถือกว่าหลายมุ้งส่งออกและการคาดการณ์เกือบปัญหาใด ๆ
สามารถได้รับการแก้ไขโดยใช้มุ้งเดียวเอาท์พุท ตัวอย่างเช่นแทนที่จะ
สร้างสุทธิเดียวที่จะคาดการณ์ปริมาณและราคา
หุ้นในวันที่ต่อไปนี้จะดีกว่าที่จะสร้างสุทธิสำหรับราคา
คาดการณ์และหนึ่งสำหรับการคาดการณ์ปริมาณ ในทางตรงกันข้าม,
ประสาทมีผลหลายเมื่อนำมาใช้สำหรับ
การจัดหมวดหมู่ / ทำนายหมวดหมู่ ตัวอย่างเช่นสมมติว่าเรา
ต้องการที่จะทำนายถ้าราคาหุ้นในวันรุ่งขึ้น "จะเพิ่มขึ้น
ที่ 1% "," ลดลงมากกว่า 1% "หรือ" ไม่เปลี่ยนแปลงมากขึ้นกว่า 1% " จากนั้น
สุทธิจะมีสามเอาท์พุทที่เป็นตัวเลขและการส่งออกที่ยิ่งใหญ่ที่สุดที่จะ
บ่งบอกถึงประเภทที่เลือกโดยสุทธิ.
การฝึกอบรมสุทธิ
สุทธิการฝึกอบรมเป็นกระบวนการของพารามิเตอร์การปรับเปลี่ยนของ
การคำนวณที่มีวัตถุประสงค์เพื่อให้การส่งออกสุทธิ
ประมาณค่าที่ถูกต้องสำหรับปัจจัยการผลิตที่ได้รับ กระบวนการนี้เป็นแนวทาง
โดยข้อมูลการฝึกอบรมในมือข้างหนึ่งและขั้นตอนวิธีการฝึกอบรมเกี่ยวกับการ
อื่น ๆ ขั้นตอนวิธีการฝึกอบรมการเลือกชุดต่างๆของการคำนวณ
ค่าพารามิเตอร์และประเมินแต่ละชุดโดยใช้สุทธิในแต่ละ
กรณีการฝึกอบรมในการกำหนดวิธีการที่ดีคำตอบที่ได้รับจากสุทธิ.
ชุดของพารามิเตอร์แต่ละ "การทดลอง"; ขั้นตอนวิธีการฝึกอบรมใหม่เลือก
ชุดพารามิเตอร์ขึ้นอยู่กับผลของการทดลองก่อนหน้านี้.
การประมวลผลคอมพิวเตอร์ของประสาทตาข่าย
สุทธิประสาทเป็นรูปแบบของการคำนวณที่สามารถนำมาใช้ใน
หลายประเภทของฮาร์ดแวร์คอมพิวเตอร์ สุทธิประสาทอาจจะสร้างขึ้น
จากองค์ประกอบการประมวลผลขนาดเล็กที่มีการดำเนินการในแต่ละการทำงานของ
เซลล์ประสาทเดียว แต่ประสาทจะดำเนินการโดยทั่วไปใน
เครื่องคอมพิวเตอร์ที่มีโปรเซสเซอร์ที่มีประสิทธิภาพเดียวเช่นคอมพิวเตอร์ส่วนใหญ่
ที่ใช้ในปัจจุบัน กับคอมพิวเตอร์เครื่องเดียวที่ประมวลผลโปรแกรมเช่น
NeuralTools ใช้หน่วยประมวลผลเดียวกันในการดำเนินการของแต่ละเซลล์ประสาท
คำนวณ; ในกรณีนี้แนวคิดของเซลล์ประสาทอธิบายเป็นส่วนหนึ่งของ
การคำนวณที่จำเป็นในการได้รับการคาดการณ์เมื่อเทียบกับ
องค์ประกอบการประมวลผลทางกายภาพ.
ประเภทของโครงข่ายประสาท
มีหลายประเภทของโครงข่ายประสาทเทียมมีความแตกต่างกันในโครงสร้าง
ชนิดของการคำนวณดำเนินการภายในเซลล์ และการฝึกอบรม
ขั้นตอนวิธีการ ประเภทหนึ่งที่นำเสนอใน NeuralTools เป็นหลายเลเยอร์
เครือข่าย Feedforward ด้วยมุ้ง MLF ผู้ใช้ NeuralTools สามารถ
ระบุถ้ามีควรจะเป็นหนึ่งหรือสองชั้นของเซลล์ประสาทที่ซ่อนอยู่และ
วิธีการหลายเซลล์ชั้นที่ซ่อนอยู่ควรมี (NeuralTools
ให้ความช่วยเหลือเกี่ยวกับการเลือกที่เหมาะสมตามที่อธิบายไว้ใน
ส่วนที่เกี่ยวกับมุ้ง MLF) NeuralTools มีทั่วไป
ถดถอยตาข่ายประสาทและความน่าจะเป็นอวนประสาท; เหล่านี้จะ
เกี่ยวข้องอย่างใกล้ชิดกับอดีตที่ใช้สำหรับการคาดการณ์ตัวเลขและ
หลังการทำนายหมวดหมู่ / การจัดหมวดหมู่ ด้วยมุ้ง GRN / PN มี
ความจำเป็นสำหรับผู้ใช้ในการตัดสินใจเกี่ยวกับโครงสร้างของสุทธิ.
มุ้งเหล่านี้มักจะมีสองชั้นที่ซ่อนอยู่ของเซลล์ประสาทด้วย
เซลล์ประสาทต่อกรณีการฝึกอบรมในชั้นแรกที่ซ่อนอยู่และขนาดของ
ที่สอง ชั้นที่กำหนดโดยข้อเท็จจริงบางอย่างเกี่ยวกับข้อมูลการฝึกอบรม.
ส่วนที่เหลือของบทนี้หารือในรายละเอียดมากขึ้นในแต่ละ
ประเภทของโครงข่ายประสาทเทียมที่นำเสนอใน NeuralTools

ผลลัพธ์ (ไทย) 3:

โครงสร้างของนิวรอลเน็ต
โครงสร้างของนิวรอลเน็ตประกอบด้วยการเชื่อมต่อหน่วยเรียกว่า
" โหนด " หรือ " ประสาท " แต่ละเซลล์ประสาทแสดงส่วนของ
คณนาข้างในสุทธิ : เซลล์ประสาทที่ใช้ตัวเลขเป็นอินพุต
แสดงการคำนวณที่ค่อนข้างง่ายกับปัจจัยเหล่านี้ และผลตอบแทน
output . มูลค่าส่งออกของเซลล์ประสาทที่ถูกส่งผ่านเป็นหนึ่งของ
กระผมสำหรับเซลล์ประสาทอื่นยกเว้นเซลล์ประสาทที่สร้างผลผลิตสุดท้าย

ค่าของระบบทั้งหมด เซลล์ประสาทจะถูกจัดอยู่ในชั้น ใส่เลเยอร์เซลล์ประสาทรับ
กระผมในการคำนวณ เช่น ความยาว ขนาด และน้ำหนักของ
เป๋าฮื้อแต่ละ ค่าเหล่านี้จะถูกส่งผ่านไปยังเซลล์ประสาทในชั้นซ่อน
แรกที่แสดงในรูปปัจจัยการผลิตและผลผลิตของตนให้
ผ่านชั้นต่อไปชั้นต่อไปนี้อาจเป็นอีก
ชั้นซ่อน ถ้ามีอย่างใดอย่างหนึ่ง ผลผลิตจากเซลล์ประสาทในชั้นซ่อนสุดท้าย
ถูกส่งผ่านไปยังเซลล์ประสาทหรือเซลล์ที่สร้าง
ผลผลิตสุดท้ายของสุทธิเช่นอายุของหอยเป๋าฮื้อ ตัวเลขและหมวดหมู่ทำนาย

เมื่อตาข่ายประสาทที่ใช้ทำนายค่าตัวเลขที่พวกเขามักจะ
มีเพียงหนึ่งผล นี้เป็นเพราะมีมากขึ้น
มุ้งออกเดี่ยวน่าเชื่อถือกว่ามุ้งออกหลายและเกือบใด ๆทำนายปัญหา
สามารถอยู่ได้โดยใช้อวนออกเดี่ยว ตัวอย่างเช่นแทน
สร้างสุทธิเดียวเพื่อทำนายปริมาณและราคาสำหรับ
หุ้นในวันต่อไปนี้ มันจะดีกว่าที่จะสร้างหนึ่งสุทธิสำหรับการคาดการณ์ราคา
และหนึ่งสำหรับการคาดการณ์ปริมาณ บนมืออื่น ๆ ,
ตาข่ายประสาทมีหลายผล เมื่อใช้
การจำแนกการทำนาย / หมวดหมู่ ตัวอย่างเช่น สมมติว่า เราต้องการทำนาย
ถ้าราคาหุ้นวันต่อไปนี้จะเพิ่มขึ้นมากกว่า
1 % นั้น " , " ร่วงกว่า 1 % " หรือ " ไม่เปลี่ยนแปลงมากกว่า 1% " จากนั้น
สุทธิจะมีสามผลตัวเลข และผลผลิตมากที่สุดจะแสดงหมวดหมู่ โดยเลือก


ฝึกสุทธิสุทธิการฝึกอบรมสุทธิเป็นขั้นตอนการปรับพารามิเตอร์ของ
การคำนวณ ซึ่งมีวัตถุประสงค์เพื่อให้การส่งออกสุทธิค่า
ประมาณที่ถูกต้องเพื่อให้ข้อมูล กระบวนการนี้เป็นแนวทาง
โดยการฝึกอบรมข้อมูลบนมือข้างหนึ่งและขั้นตอนวิธีการในการฝึกอบรม
อื่น ๆ การฝึกอบรมวิธีเลือกชุดต่างๆของพารามิเตอร์การคำนวณ
, และประเมินผลแต่ละชุด โดยการใช้ตาข่ายแต่ละ
กรณีการกำหนดคำตอบให้โดยสุทธิที่ดีอย่างไร .
แต่ละชุดพารามิเตอร์ " ทดลอง " ; การฝึกอบรมวิธีเลือกชุดใหม่
ค่าจากผลการทดลองก่อนหน้านี้
การประมวลผลคอมพิวเตอร์ของตาข่ายประสาท
สุทธิประสาทเป็นรูปแบบของการคำนวณที่สามารถดำเนินการใน
ประเภท ต่าง ๆของฮาร์ดแวร์คอมพิวเตอร์ ข่ายประสาทจะถูกสร้างขึ้นจากองค์ประกอบการประมวลผล
ขนาดเล็กในการปฏิบัติงานของ
เซลล์เดียว อย่างไรก็ตาม ตาข่ายประสาทมักจะดำเนินการบนคอมพิวเตอร์ที่มีพลังประมวลผลเดียว

เหมือนเครื่องคอมพิวเตอร์ส่วนใหญ่ที่ใช้ในปัจจุบัน . กับเดี่ยวหน่วยประมวลผลกลางคอมพิวเตอร์โปรแกรม ชอบ
neuraltools ใช้โปรเซสเซอร์เดียวกันแสดงการคำนวณของ
เซลล์ประสาทแต่ละ ; ในกรณีนี้แนวคิดของเซลล์ประสาทส่วน
อธิบายต่างๆต้องการรับการพยากรณ์ เป็นนอกคอก
การประมวลผลทางกายภาพองค์ประกอบ ประเภทของเครือข่ายประสาท

มีหลายประเภทของโครงข่ายประสาทเทียม ความแตกต่างในโครงสร้าง ชนิดของการปฏิบัติภายในเซลล์ประสาท
วิธีการและขั้นตอนวิธีการฝึก

ประเภทหนึ่งที่นำเสนอใน neuraltools คือ
ไปข้างหน้าหลายชั้นเครือข่าย กับ mlf มุ้ง , ผู้ใช้สามารถ
neuraltoolsระบุว่าควรจะมีหนึ่งหรือสองชั้นของประสาทและเซลล์ประสาทที่ซ่อน
กี่ซ่อนชั้นควรจะประกอบด้วย ( neuraltools
ให้ความช่วยเหลือกับการเลือกที่เหมาะสม ตามที่อธิบายในส่วนของ mlf
มุ้ง ) neuraltools ยังมีนัย
ถดถอยตาข่ายประสาทและข่ายประสาทความน่าจะเป็น ; เหล่านี้
เกี่ยวข้องอย่างใกล้ชิด กับอดีตที่ใช้ในการทำนายตัวเลขและ
หลังคำทำนาย / ประเภทการจำแนก กับ GRN / PN มุ้งมี
ไม่จำเป็นสำหรับผู้ใช้เพื่อการตัดสินใจเกี่ยวกับโครงสร้างของตาข่าย ตาข่ายเหล่านี้มักจะมี 2
ชั้นซ่อนประสาทกับ
เซลล์ประสาทต่อการฝึกอบรมในตอนแรกชั้นซ่อน และขนาดของ
2 ชั้น โดยพิจารณาข้อเท็จจริงบางอย่างเกี่ยวกับข้อมูลการฝึกอบรม .
ที่เหลืออยู่ในส่วนของบทนี้หารือในรายละเอียดเพิ่มเติมในแต่ละประเภทของโครงข่ายประสาทเทียมให้

neuraltools .