特征向量表示神经网络

Question

目标：使用神经网络进行数字识别

说明：将图片规范化为8 x 13 pixels。对于每一行，黑色像素由1和每个白色白色0表示。因此，每个图像由矢量矢量表示如下：

问题：是否可以在神经网络中使用vector of vectors？如果不是如何表示图像？

1. 将行合并到1向量？
2. 将每一行转换为十进制格式。示例： Row1：11111000 = 248 等

Answer 1

简单地通过连接将它们组合成一个向量当然是可能的。事实上，您应该注意到，只要数据在培训和分类之间保持一致，任意重新排序数据都不会改变结果。

关于你的第二种方法，我认为（我真的不确定）你可能会失去一些信息。

Answer 2

要使用多维输入，您需要多维神经元（我认为您的形式主义并不支持）。遗憾的是，您没有提供有关您的网络结构的任何信息，我认为这是您混淆问题的主要原因。每当评估特征表示时，您需要知道输入图层的结构：如果它不切实际，您可能需要不同的表示。

你的多维向量： 接受1个图像作为输入的网络只有1个（！）输入节点，其中包含多个向量（分别为行）。这是您的数据的最差可能的表示形式。如果我们：

• 展平输入层次结构：每行得到1个输入神经元。
• 完全展平输入层次结构：我们为每个像素获得1个输入神经元。

考虑所有3种方法及其对数据的作用。后一种方法几乎总是和第一种方法一样糟糕。神经网络最适合功能。功能不是像素重组（行向量）。它们应该是您可以从像素中获得的META数据：亮度，我们从背部到白色的位置，边界框，边缘，形状，重力，......可以选择的东西很多作为图像处理的功能。你必须考虑你的问题并选择一个（或更多）。

最后，当你询问如何将行组合成1个向量＆＃34;时，你只需要重新描述＆＃34;找到整个图像的特征向量＆＃34;。你绝对不希望＆＃34;连接＆＃34;您的向量并将原始数据提供给网络，您需要在使用网络之前找到信息。这对预处理至关重要。

有关哪些功能可能适用于OCR的更多信息，请阅读一些文章。最成功的网络atm是Convolutional Neural Network。主题特征提取的起点是here。

Answer 3

1）是合并成一个矢量适合我用这种方式 http://vimeo.com/52775200

2）不适合，因为从rang（0-255）归一化后 - >到范围（0 - 1）differt行给出aprox相同的值，所以丢失数据