神经网络（输入和输出层）

Question

在处理多类分类时，除了偏差之外，输入层中节点（矢量）的数量是否始终与输出层中的节点数相同？

Answer 1

没有。输入层摄取特征。输出层对类进行预测。要素和类的数量不必相同;它还取决于你如何为多个类输出建模。

Answer 2

Lars Kotthoff是对的。但是，当您使用人工神经网络构建autoencoder时，您将需要具有相同数量的输入和输出节点，并且您将希望输出节点了解输入节点的值。 / p>

Answer 3

不，

通常，输入单位数等于您用于训练NN分类器的要素数。

输出图层的大小等于数据集中的类数。此外，如果数据集有两个类，则只有一个输出单元足以区分这两个类。

Answer 4

ANN输出层为每个类都有一个节点：如果你有3个类，则使用3个节点。输入层（通常称为特征向量）具有用于预测的每个特征的节点，并且通常具有额外的偏置节点。您通常只需要一个隐藏层，并辨别其理想的大小棘手。

隐藏的图层节点太多会导致过度拟合和慢速训练。隐藏层节点太少会导致不合适（过度概括）。

以下是一些一般准则（ng-checked）：

• 隐藏神经元的数量应该在输入层的大小和输出层的大小之间。
• 隐藏神经元的数量应该是输入层大小的2/3，加上输出层的大小。
• 隐藏神经元的数量应小于输入层大小的两倍。

如果您有3个类和30个要素的输入向量，则可以从大约23个节点的隐藏层开始。在训练期间添加和删除此层中的节点以减少错误，同时针对验证数据进行测试以防止过度拟合。