神经网络：输入层是否由神经元组成？

Question

我目前正在研究神经网络理论，我发现它写的所有地方都包含以下几层：

• 输入图层
• 隐藏层
• 输出图层

我看到一些图形描述将输入图层显示为网络中的真实节点，而其他图形描述则将此图层显示为值的向量 [x1，x2，... xn]

正确的结构是什么？

＆＃34;输入层＆＃34;一层真正的神经元？或者这只是抽象地命名为图层，而它实际上只是输入向量？

添加我在网络上发现的矛盾和令人困惑的照片：

这里看起来输入层由神经元组成：

这里看起来输入图层只是一个输入向量：

Answer 1

  

＆＃34;输入层＆＃34;一层真正的神经元？或者这只是抽象地命名为图层，而它实际上只是输入向量？

是的，它是两者 - 取决于抽象。在纸面上，网络具有输入神经元。在实现级别，你必须组织这些数据（通常使用数组/向量），这就是你说输入向量的原因：

输入向量保存输入神经元值（表示输入层）。

如果您熟悉图论或图像处理的基础知识 - 它的原理相同。例如，您可以将图像称为矩阵（技术视图）或像素字段（更抽象的视图）。

Answer 2

让我用一些数学符号来回答你的问题，这些符号会比随机图像更容易理解。首先，请记住Perceptron。

Perceptron的任务是找到一个决策函数，将给定集合中的某些点分类为n个类。所以，对于一个函数

f : R^n -> R , f(X) = <W, X> + b

其中W是权重向量，X是点向量。例如，如果您有一个由等式3x + y = 0定义的行，则W为(3,1)，X为(x,y)。

神经网络可以被认为是一个图形，其中图形的每个顶点都是一个简单的感知器 - 也就是说，网络中的每个节点都只是一个接收某个值并输出一个新值的函数，然后用于下一个节点。在第二张图片中，这将是两个隐藏的图层。

这些节点需要什么作为输入？一组W和Xs - 重量和点向量。您的图片中的哪一个由x0, x1, .. xn和w0, w1, .. wn表示。

最终，我们可以得出结论，神经网络需要运作的是一组权重和点的输入向量。

我对你的总体建议是为你的学习选择一个来源并坚持下去，而不是通过互联网上的图像冲突。