Question

我是神经网络的新手，我正在使用Aforge神经网络库进行角色识别任务。我想使用反向传播来训练我的网络。这是AForge文档中给出的代码。

// initialize input and output values
        double[][] input = new double[4][] {
                new double[] {0, 0}, new double[] {0, 1},
                new double[] {1, 0}, new double[] {1, 1}
            };
        double[][] output = new double[4][] {
                new double[] {0}, new double[] {1},
                new double[] {1}, new double[] {0}
            };
        // create neural network
        ActivationNetwork network = new ActivationNetwork(
            SigmoidFunction(2),
            2, // two inputs in the network
            2, // two neurons in the first layer
            1); // one neuron in the second layer
        // create teacher
        BackPropagationLearning teacher = new BackPropagationLearning(network);
        // loop

        while (!needToStop)
        {
            // run epoch of learning procedure
            double error = teacher.RunEpoch(input, output);
            // check error value to see if we need to stop
            // ...
        }

但我不知道如何确定ActivationNetwork的层数和神经元数。任何帮助，将不胜感激。谢谢。

Answer 1

我不确切知道，但在我看来，网络只能返回两个答案 - 0和1.所以一个神经元是0，第二个1，第二个层选择最大。

Answer 2

对于XOR，你需要一个隐藏层，因为输出的真值表是0,1,1,0这意味着你不能用几行将这些模式几何分开。here is the proof optically。如果你可以用一条线划分图案空间，你可以使用一个感知器，典型的情况是OR，AND。在这些情况下，您不使用隐藏层，因为它们是线性分离的。尝试制作相应的图表以清楚地看到它并理解它。在所有情况下，你都有类＆gt; 2或类不是线性分离的，必须使用隐藏层。对于XOR，您需要一个隐藏层（隐藏层是网络的计算层），因为一个隐藏层能够分成类。现在因为两个类我们将有一个输出。这可以通过这个来计算：outputNeurons＆lt; = 2 ^ n n =类的数量，例如，如果你有3个类，则需要2个OutputNeurons，因为2 ^ 2 = 4 ＆LT; 3.现在在隐藏层中我们使用神经元，因为我们在pic 1中有两条线，两条线之间的区域称为决策区1，而在线之外的区域称为决策区2.因此，我们将有两个决策函数因此，我们必须有两个感知器，因为感知器会对一个决策区域进行分类，并且数学项是函数σ（x）=Σw* x + w0，并且在一个感知器的情况下我们通常用于激活阶梯函数（stepFunc（σ）=如果s <= 0，则1如果σ> 0或stepFunc（σ）= 0。隐藏层中的第一个神经元用于第一个决策区域，第二个用于第二个决策区域。第一个决策区域使用拳头感知器将图案（1,1）与其他图案分开，类似地，第二个感知器将图案（0,0）与其他图案分开。最后，看看评论：
ActivationNetwork network = new ActivationNetwork（ SigmoidFunction（2），//这里是激活函数，在这种情况下是Sigmoid 2，//网络中的两个输入 - ＆gt;每次一张表[0,1] [1,1] [1,0] [1,1] 2，//第一层中的两个神经元 - ＆gt;隐藏层 1）; //第二层中的一个神经元 - ＆gt;输出层

后向错误传播是一种无法在此向您展示其工作原理的算法。你可以在这里看到更多细节goole it。

希望有助于更好地理解简单神经网络的整体思路，但如果你想使用这些Aforge类，我的意见是你必须阅读神经网络背后的理论

在Aforge中使用反向传播学习

2 个答案: