简单例子;我们做个猫狗分类,有猫狗训练图片 。只分两类 。 我们是不是应该要做以下大概步骤 .
1,图片 换算矩阵 rgb三通道 换算 做出 换维度的新的材料。
2,卷积 ,池化, 用各个神经元上的权重参数 w1 w2。。。。 wx 去和提取的特征做乘法 然后 在相加 在加上 偏执值 b 。后输出 2个结果 都为0-1直接的 小数 对应猫的参数的结果 越接近1那么也就是说 猫的概率越大 比如 0.6是猫 0.4是狗 。
3,由于 0.6 还不够接近1 所以我们 用误差 来反向传播进网络 ,并且反复 反正传播 终 损失值loss 越来越小。使得w1 w2 。。。。wx 更科学 。
以上 是我对 图片识别分类任务流程的 基本认识 如果不对请指正。
下面问题来了:
问 ,
w1 w2.。。。wx 和 偏执b 这些就是我们从张图片经过有监督学习 反复反向传播 得到的权重值。 可是我们有了这些权重后又该做些什么。
那么我们如果 把第二张 图片 用上述的 卷积 池化等等步骤 处理 ,然后 和我们已经得到的w1 w2.。。。wx 以及b 做运算 也会得到 2个结果 。
那这2个结果 如果不准确 我们下一步要做什么 ?是继续做反向传播吗? 如果继续 那么我们将会得到新的w1 w2 。。。wx 和b 。新的到的权重值 又有什么用呢 第二次得到的这些权重值 应用到张图片上 还能得出 正确的结果吗。
这就是我的问题 我没有搞懂 权重 值 如何继承下来 变成我们所说的经验 也就是说 我没有搞懂 权重是 如何通过训练 得到经验