我使用PyBrain创建了一个简单的卷积神经网络:

from pybrain.tools.shortcuts import buildNetworkfrom pybrain.datasets import SupervisedDataSetfrom pybrain.supervised.trainers import BackpropTrainer    L_Z = [    0b111111,    0b000010,    0b000100,    0b001000,    0b010000,    0b111111    ]C_Z = [    0b111111,    0b100001,    0b000110,    0b000001,    0b100001,    0b111111    ]net = buildNetwork(6, 3, 1)ds = SupervisedDataSet(6, 1)ds.addSample(tuple(L_Z), (1,))ds.addSample(tuple(C_Z), (0,))trainer = BackpropTrainer(net, ds)trainer.trainUntilConvergence()print net.activate(L_Z)print net.activate(C_Z)

但每次运行程序后显示的结果都不同。我的网络应该学会识别英文字母’Z’和西里尔字母’З’。哪里出了问题？

回答：

你的方法从根本上是错误的。拥有6个输入的神经网络意味着每个输入是一个可以从0到1的浮点数。PyBrain不会告诉你当你提供的值过高或过低时。举个例子，0b111111实际上是63。如果你想要每个检测单元有一个输入，你需要使用一个有36个输入的神经网络。

L_Z = [    1,1,1,1,1,1,    0,0,0,0,1,0,    0,0,0,1,0,0,    0,0,1,0,0,0,    0,1,0,0,0,0,    1,1,1,1,1,1    ] C_Z = [    1,1,1,1,1,1,    1,0,0,0,0,1,    0,0,0,1,1,0,    0,0,0,0,0,1,    1,0,0,0,0,1,    1,1,1,1,1,1    ] net = buildNetwork(36, 3, 1) ds = SupervisedDataSet(36, 1) ds.addSample(L_Z, [1]) ds.addSample(C_Z, [0]) trainer = BackpropTrainer(net, ds) for x in range(1000):  trainer.train() print net.activate(L_Z) print net.activate(C_Z)

我很惊讶.trainUntilConvergeance() 居然能工作，通常它会将四分之一的数据留作验证，如果你只给它两个例子，它通常会崩溃。无论如何，这段代码可以实现你想要的结果，但如果你试图进行计算机视觉，通常他们会使用多种方法的组合来进行检测。