我正在尝试训练神经网络来控制2维角色的速度。 x和y介于-1和1米/秒之间。目前我将范围分成0.1米/秒的间隔，所以我最终得到400个输出神经元（20 x值* 20 y值），如果我将精度提高到0.01，最终得到40k输出神经元。有没有办法减少输出神经元的数量？
答案 0 :(得分：3)
我假设您将此问题视为分类问题。在培训时间内，您输入了X和输出Y。由于您正在训练神经网络进行分类，因此您的预期输出总是如下：
-1 -0.9 ... 0.3 0.4 0.5 ... 1.0 m/s
Y1 = [0, 0, ..., 1, 0, 0, ..., 0] // speed x component
Y2 = [0, 0, ..., 0, 0, 1, ..., 0] // speed y component
Y = [Y1, Y2]
即：对于x和y方向的每个速度分量，只有一个神经元输出1;所有其他神经元输出0（在上面的例子中，对于该训练实例，预期输出在x方向上为0.3m / s，在y方向上为0.5m / s）。实际上这可能更容易学习并且具有更好的预测性能。但正如你所指出的那样，它不会扩展。
我认为您也可以将问题视为回归问题。在您的网络中，每个速度组件都有一个神经元。您的预期输出只是：
Y = [0.3, 0.5] // for the same training instance you have.
要获得-1到1的输出范围，您可以在输出图层中使用不同的激活功能选项。例如，您可以使用
f(x) = 2 * (Sigmoid(x) - 0.5)
Sigmoid(x) = 1 / (1 + exp(-x))
由于sigmoid（x）在（0,1）中，2 *（sigmoid（x） - 0.5）在（-1,1）中。这种变化（用两个神经元替换输出层中的多个神经元）大大降低了模型的复杂性，因此您可能希望在中间层添加更多神经元以避免不合适。