我想更多地了解神经网络，我正在开发一个C ++程序来制作NN，但我仍然坚持使用BackPropagation算法，抱歉没有提供一些工作代码。
我知道有很多库用于在许多语言中创建NN，但我更愿意从自己创建一个。关键是我不知道实现特定目标需要多少层和多少神经元，例如模式识别或函数近似等等。
我的问题是：如果我想识别一些细节模式，比如在图像检测中，每层需要多少层和神经元？让我们说我的图像都是8x8像素，我会自然地开始使用64个神经元的输入层，但我不知道我需要将多少个神经元放入隐藏层，也不知道输出层。让我们说我必须区分猫和狗，或者你可能想到的任何东西，怎么可能是输出层？我可以想象一个输出层只有一个神经元输出0到1之间的值与经典逻辑函数（1/(1+exp(-x)），当它接近0时输入是一只猫，当接近1时它是一只狗，但是......这是对的吗？如果我添加像鱼一样的新模式怎么办？如果输入包含一只狗和一只猫（..和一条鱼）怎么办？这让我觉得输出层中的逻辑函数不太适合这样的模式识别，只是因为1 /（1 + exp（-x））的范围在（0,1）中。我是否必须更改激活功能或者可能在输出层添加其他神经元？还有其他一些激活功能更准确吗？每层中的每个神经元都具有相同的激活功能，还是层与层不同？
对不起所有这些问题，但这个话题对我来说不是很清楚。
我在互联网上阅读了很多内容，我发现所有库都已经实现并且难以阅读，并且对NN可以做什么有很多解释，但不能解释它是怎么做的。
我从https://mattmazur.com/2015/03/17/a-step-by-step-backpropagation-example/和http://neuralnetworksanddeeplearning.com/chap1.html读了很多，在这里我理解了如何近似一个函数（因为一个层中的每个神经元都可以被认为是一个阶梯函数，具有权重和偏差的特定步骤）以及反向传播算法如何工作，但其他教程和类似物更侧重于预先存在的库。我也读过这个问题Determining the proper amount of Neurons for a Neural Network，但我想介绍NN的激活功能，这是最好的，也是最好的。
提前感谢您的回答！
答案 0 :(得分：2)
你的问题非常笼统，所以我只能提出一些一般性建议：
您需要的层数取决于您要解决的问题的复杂程度。从给定输入获得输出所需的计算越多，您需要的层数就越多。
单层网络只能解决非常简单的问题。这些被称为线性可分，通常是微不足道的。有两层，它变得更好，有三层，至少在理论上，如果层内有足够的单元格，可以执行各种分类任务。实际上，通常最好在网络中添加第4层或第5层，同时减少单层内的单元数量。
请注意，标准反向传播算法在超过4或5层时表现不佳。如果您需要更多图层，请查看深度学习。
每层中的单元格数量主要取决于输入的数量，如果解决了分类任务，则需要检测的类数。在实践中，减少层到层的单元数是很常见的，但也有例外。
关于输出功能的问题：在大多数情况下，你应该坚持使用一种类型的sigmoid功能。您描述的情况并不是真正的问题，因为您可以为“fish”类添加另一个输出单元格。特定激活功能的选择并不重要。基本上你使用的是一个可以有效计算其价值和衍生物的人。
答案 1 :(得分：2)
@Frank Puffer已经提供了一些不错的信息，但让我加上我的两分钱。首先，您提出的大部分内容都是hyperparameter optimization。虽然有各种各样的经验法则，但实际情况是确定最佳架构（层的数量/大小，连接结构等）和其他参数（如学习速率）通常需要大量的实验。好消息是这些超参数的参数化是神经网络实现的最简单方面。因此，我建议您专注于构建软件，以便层数，图层大小，学习速率等都可以轻松配置。
现在您特别询问了如何检测图像中的图案。值得一提的是，使用标准多层感知器（MLP）对原始图像数据进行分类在计算上可能是昂贵的，特别是对于较大的图像。使用旨在提取有用的，空间本地特征（即：Convolutional Neural Networks或CNN）的架构是很常见的。
您仍然可以使用标准MLP，但计算复杂性可能会使其成为难以为继的解决方案。例如，CNN的稀疏连接性大大减少了需要优化的参数数量，同时建立了更适合图像分类的表示的概念层次结构。
无论如何，我建议使用随机梯度下降来实现反向传播以进行优化。这仍然是通常用于训练神经网络，CNN，RNN等的方法。
关于输出神经元的数量，这是一个确实有一个简单答案的问题：使用＆＃34; one-hot＆＃34;编码。对于您想要识别的每个类，您都有一个输出神经元。在你的狗，猫和鱼类的例子中，你有三个神经元。对于代表狗的输入图像，对于＆＃34;狗＆＃34;你会期望值为1。所有其他人都是神经元，0。然后，在推理期间，您可以将输出解释为反映NN置信度的概率分布。例如，如果你得到输出狗：0.70，猫：0.25，鱼：0.05，那么你有70％的信心，图像是狗，依此类推。
对于激活功能，我最近看到的研究似乎表明Rectified Linear Units通常是一个不错的选择，因为它们很容易区分和计算，并且它们避免了困扰的问题更深层次的网络称为消失梯度问题＆＃34;。
祝你好运！