Во время каждой итерации обучения, парные данные, представленные в сети генерирует вперед ow активации от входа в выходном слое. Затем, если выходы прогнозированного системы являются неправильной, ow информации генерируется в обратном направлении от выходного слоя к входному слою, корректировки весов соединений. Затем на следующей итерации обучения, когда система представлена с теми же парных входных данных, то это будет более точным в прогнозе.
Время, необходимое для выполнения подготовки может быть значительным в зависимости от скорости компьютера, количество дней данных (известные как "фактически дни"), и число нейронов в каждом слое. Когда система достигает стабильного состояния, он готов для дальнейшего тестирования. Вы можете выполнить "ходить-вперед" тестирование путем создания тестирования le состоящий из фактов дни, которые не были использованы в процессе обучения.
В зависимости от результатов испытаний, вы, возможно, потребуется изменить систему, в том числе архитектуры, обучения, закон входные данные или методы и степень предварительной обработки. Вы можете даже нужно менять прогнозный вывод, который вы хотите, чтобы предсказать. В отличие от обучения, во время тестирования сильные соединения не регулируется, чтобы компенсировать ошибки. Если ваша система не может тренироваться на некоторых парных данных, он может содержать противоречивую или неоднозначную информацию.
Вы должны пересмотреть каждый из ваших исходных данных или устранить избыточные входные данные массажные методы, прежде чем переподготовки. Если ваша сеть успешно обучены, это просто для того, чтобы прогнозировать ожидаемые результаты в режиме реального времени. Все, что вам нужно сделать, это обеспечить его необходимыми входными данными, как вы это делали во время тренировки. Однако, как тестирование, никаких корректировок не производятся сильные связи.
Вы должны рассмотреть периодически переподготовки системы, экспериментируя с различными данными и