如何实现（如果可能）具有多个（＆gt; 2）可能性的输出的人工神经网络？

Question

例如，假设我们可以将所有行星分类为水，土和空气。这些中的每一个都可以通过许多定量特征来识别，例如反照率，大小和温度，其范围为1-10，并且对于每种类型的行星是不同的。如果我有这些特性的输入，我如何格式化神经网络的输出以输出水，土或空气的结果？

根据我的（有限的）知识，我的经验告诉我，人工神经网络最多只有两个输出，最终只有结果是真或假（或不确定）。对于一个输出，存在步进函数，其中如果超过阈值则输出为1，如果未超过阈值则输出为0，或者也可以确定不确定的线性/ S形。对于两个输出，如果一个输出大于另一个输出，则总输出为1或0。

如何实现具有两个以上总输出的神经网络？我的范围只是一个真/假输出，虽然我觉得解决方案可能非常简单（我忽略了一些东西）。此外，有什么资源可以帮助我吗？我所做的查询并不是最成功的。

Answer 1

您不需要输出的步进功能;一旦你删除它，你有一个实值输出，你可以用几种不同的方式处理：

• 设置被解释为每个不同输出的值范围。因此，0 ... 0.3输出1，输出0.3 ... 0.6，输出0.6 ... 1.0。然后，您将为三个可能的输出训练输出0,0.5和1.0。

• 使用三个独立网络或三个输出节点来预测每个输出。然后，输出被认为是提供最高结果的网络。

Answer 2

人工神经网络（ANN）不限于一个或两个输出。输出数量仅受可用计算资源的限制。

具有multilayer perceptrons的多类分类（两个以上类）的常用惯例是，具有与类一样多的输出，并且所需的网络输出全为零，除了单位输出与目标类对应的输出节点。例如，如果有5个类，则类2的所需网络输出将为(0, 1, 0, 0, 0)，而类5的所需输出将为(0, 0, 0, 0, 1)。这种类被认为是互斥的。

但您也可以将目标输出定义为具有多个单位值。例如，如果输出1对应于“哺乳动物”而输出4对应于“狗”，那么您可以将Beagle（一种狗）的输出指定为(1, 0, 0, 1, 0)。如何将输出映射到目标类取决于您。诀窍是设置网络架构（层的数量和大小），以便您的类可以学习。

Answer 3

如果是分类的情况，使用形式（a，b，c）中的三个离散输出单元达到最佳性能，其中a，b和c可以具有值0或1.准备用于网络的训练集三个输出单位并为每条记录设置正确的属性。

一般情况下，它使用“赢家全部”规则（较高的值赢得并给出最终类别）但我更喜欢使用ROC曲线来分析结果。

小心隐藏单位的数量。多个输出可以没有问题（不限于2），但更多的输出意味着更多的训练数据，固定数量的隐藏单位和中间层，以达到可接受的结果（维数问题的诅咒）。

Answer 4

假设您有 n 类。然后，您可以将输出图层实现为 n 单位的Softmax Regression Layer，而不是常规的Logistic回归图层。