Искусственные нейронные сети широко применяются в различных областях деятельности человека. Одним из наиболее распространенных алгоритмов обучения нейронной сети является алгоритм обратного распространения ошибки. Во время работы алгоритма обратного распространения ошибки происходит обновление весовых коэффициентов искусственной нейронной сети на каждой итерации обучения. Обновление весов происходит, начиная с выходного слоя по направлению к входному слою искусственной нейронной сети. В случае большого количества скрытых слоев может наблюдаться как эффект взрывного роста весов, так и, в некоторых случаях, эффект затухания градиента. В случае возникновения таких эффектов процесс обучения становится значительно более ресурсоемким и занимает больше времени. Одним из выходов возникающей ситуации является тонкая настройка весов нейронной сети. Тонкая настройка позволяет устанавливать весовые коэффициенты нейронной сети ближе к некоторому минимуму, чтобы процесс работы алгоритма обратного распространения ошибки занял меньше времени. Основная идея тонкой настройки заключается в последовательном и послойном обучении скрытых слоев и дальнейшем формировании из этих слоев результирующей нейронной сети. В статье приводится алгоритм тонкой настройки искусственной нейронной сети в виде его подробного описания и блок-схемы, а также сравнение обучения нейронной сети с использованием данного метода, а также без него.

Artificial neural networks are widely used in various fields of human activity. One of the most common algorithms for learning a neural network is the back-propagation algorithm. During the operation of the back-propagation algorithm, the weights of the artificial neural network are updated at each training iteration. The weights are updated starting from the output layer towards the input layer of the artificial neural network. In the case of a large number of hidden layers, both the effect of explosive growth of weights, and, in some cases, the effect of attenuation of the gradient can be observed. In the event of such effects, the learning process becomes much more resource-intensive and takes more time. One of the ways out of the situation that arises is to fine-tune the weights of the neural network. Tweaking allows the neural network weights to be set closer to a certain minimum, so that the process of the operation of the back propagation error algorithm takes less time. The main idea of ??fine-tuning is the sequential and layer-by-layer learning of hidden layers and the further formation of the resulting neural network from these layers. The article provides an algorithm for fine-tuning an artificial neural network in the form of its detailed description and block diagram, as well as comparing the training of a neural network using this method, as well as without it.