Есть несколько методов обучения. Классический способ на сегодняшний момент, это обучение с учителем. Давайте рассмотрим его подробнее. Представим, мы хотим иметь систему, которая по фотографии объекта относит его к одной из предопределенных категорий (классов). Допустим, у нас их пять: кошка, собака, дерево, облако и дом. Чтобы обучить такую систему, нужно собрать набор данных: к примеру, 200 изображений на каждый класс. Итого 1000 примеров объектов с известными классами. На следующем этапе выбирается архитектура нейронной сети. Выбор удачной архитектуры требует опыта, интуиции и некоторой доли везения. Для простоты дальнейшего изложения, давайте рассматривать нейросеть как “черный ящик”, который принимает на вход картинку, а выдает класс объекта на ней. В самом начале нейросеть ничего не умеет. Обучение - итеративный процесс. Одна итерация представляет собой набор шагов:
1) Случайно выбрать n картинок.
2) Пропустить картинки через нейросеть.
3) Мы знаем, какие ответы должны быть для каждой картинки и какие ответы выдала сеть. На основе этой информации алгоритм обучения изменяет параметры нейросети, чтобы она работала точнее.
Итерация выполняется множество раз. Рано или поздно, ошибка между предсказаниями нейросети и правильными ответами будет минимальна и тогда сеть считается обученной. Либо этого не происходит, и тогда архитектуру сети, алгоритм обучения или данные необходимо поменять.