我有一个网络，它有3个输入，2个隐藏层（每个6个神经元，Sigmoid激活函数）和一个神经元作为输出。我希望我的网络是连续的，因为我不是在看分类网络（希望这很有意义）。
我的输入表示一年中的天数（0-365范围）。我实际上将它们归一化到0-1范围（因为sigmoid）。
我的问题如下：无论训练错误多少，重新使用训练集时的实际值都不正确。根据我运行的时代数量，我会得到不同的结果。
如果我训练我的网络超过几千次，我只会得到两个可能的结果。如果我少训练它，我会得到更多可能的结果，但是这些值远远超出我的预期。
我已经读到，对于连续网络，最好使用两个隐藏层。
我不确定我做错了什么。如果你能得到任何帮助，那就太好了。如果您需要更多详细信息，请与我们联系。
由于
更新1
我减少了训练集中的元素数量。这次网络聚集在少数时代。以下是培训错误：
培训网络
迭代＃1。错误：0.0011177179783950614
迭代＃2。错误：0.14650660686728395
迭代＃3。错误：0.0011177179783950614
迭代＃4。错误：0.023927628368006597
迭代＃5。错误：0.0011177179783950614
迭代＃6。错误：0.0034446569367911364
迭代＃7。错误：0.0011177179783950614
迭代＃8。错误：8.800816244191594E-4
最终错误：0.0011177179783950614
答案 0 :(得分：5)
您的输出神经元应该具有线性激活功能（而不是Sigmoid）。线性激活函数的输出只是所有输入的加权和。
如果在输出层使用线性激活功能，则不必再将0到1之间的输出目标值向外扩展。
关于层数...一个隐藏层通常足以解决大多数问题，但它会因问题而异，您只需尝试不同的网络结构，看看效果最好。