我在Arduino上使用这个XOR example来训练一个2输入1输出数据集。我的数据集包含大约30,000个值。我使用4个值而不是XOR表，测试时得到了很好的结果。
我想用更多数据训练它。由于RAM的限制，我无法在Arduino上做到这一点。我用C语言重新编写代码，然后在笔记本电脑中训练它。我已经提供了20,000个值作为训练数据集，训练需要大约2天，而且输出非常糟糕。我把隐藏的神经元改为4，结果仍然非常糟糕。我的意思是我得到了12左右的最终误差。他们在给定的XOR示例中计算误差的方法是将所有误差相加，所以当我给出20,000个输入时，总和足够大。
我有更好的方法吗？我应该增加层数还是隐藏神经元？我可以使用30,000个值来匹配数据集的最佳方法是什么？
修改
我在Github上分享了代码：Repo
此repo包含数据集和代码。
答案 0 :(得分：1)
您发布了类似这样的问题意味着您没有充分了解神经网络（或者您在此领域没有足够的经验）。这不是批评，这是非常普遍的，因为这是一个非常复杂的领域。
您问题的解决方案在很大程度上取决于您的问题和数据集。
说到“层”通常是指一种叫做多层感知器（MLP）的特定人工神经网络（ANN）架构，所以这是我试图解释的架构。
通常增加隐藏图层的数量并不会给你带来更好的表现，只是训练速度较慢。有时使用两个隐藏的感知层（因此三层，一个输出和两个隐藏，因为输入层不是由感知器组成）可以帮助解决特别复杂的分类问题，但我从未见过一个好的3层人工神经网络。 / p>
通常情况下，当您的网络行为不佳时，您必须更改1）数据集（因为大多数情况下，导致行为不良的数据集设计不佳）或2）网络拓扑（即使用其他ANN）除了MLP之外的建筑。）
对问题的理解至关重要，应通过输入“传递”到ANN。例如，如果您正在制作指纹探测器，您知道图像可以旋转，因此如果您应用使图像对旋转不变的变换（例如，您将图像坐标转换为极坐标表示），您将（通常） ）获得更好的表现。
请记住，最重要的一步是选择数据集。你必须避免使用太少的数据，但是太多的数据也不是一个好的选择。这是一个称为overfitting的问题。网络将训练仅识别您传递给它的数据，并且无法找到您传递的“类似”数据。此外，数据集必须是平衡的：如果你想训练一个网络识别所有的狗，然后传递它只是beagles图像，它将无法识别杜宾犬。
这些都是通用建议。并注意我使用的“通常”副词。
现在，针对您的具体问题，有两个主要问题。
第一个与Error变量相关。你说它有很高的价值，大约12岁。嗯，什么是12？这只是一个数字。通常你应该计算Mean squared error以“估计”表演。另一方面，你计算的是所有平方误差的总和。您应该将值除以测试用例的数量（Error /= PatternCount;），并在添加平方误差时丢弃该值。然后你可以增加一点成功常数让它在之前停止（可能是0.001很好，但你必须调整它）。
而且......你的操作方式不正确。通常，您应该将数据集分为两部分：训练数据（通常约为80％）和随机选择的测试数据（通常约为20％）。您使用训练数据训练ann，然后当您拥有它时，您必须通过它传递测试数据并检测性能（因此您必须传递从未进入训练过程的数据）。通过这种方式，您将测试ANN概括的能力，而不是记住您已经过的点。
最后，如果你真的想让神经网络工作，你将不得不对你拥有的数据进行大量实验。最好是拥有高功率PC而不是小型arduino，并重新使用其他人的工作（获取一些库）。我在大学工作时发现的最佳方法是使用专门用于数值计算的工具（我使用了matlab，因为我们有许可证，但你可以使用octave - 开源 - 使用神经网络扩展）。这样，您可以轻松修改拓扑，数据集组成和学习参数。当你有一些工作时，你可以提取参数并将它们嵌入到你想要的东西中（在C / C ++ / Java / python /中进行临时实现）。
祝你好运
PS有趣的是，我把它作为评论开始，然后快速耗尽空间......
答案 1 :(得分：0)
没有最好的方法＆＃39;因此，当谈到神经网络时 我建议你多做一些阅读，然后你可以尝试一下对你有用的东西 （亲自建议http://neuralnetworksanddeeplearning.com/）
如果没有代码/数据集，很难提出任何建议。
PS：查看SGD https://en.wikipedia.org/wiki/Stochastic_gradient_descent