Question

如果我有一个具有任意数量层的人工神经网络，并且最后一个（退出）节点只接受3个输入（1，x1，x2），如果之前的隐藏层有4个节点，我该怎么办，这意味着它创建了4个到最后一个节点的连接。我只是忽略1吗？或者我是否必须强制最后一层有3个节点？

如果最后一个隐藏层只有2个或1个节点，我也很难处理这个问题。

我知道这不是一个真正的编程问题但是我没有很难编程（到目前为止）处理这些问题。

所以，是的，用户可以告诉我隐藏层的数量和每层节点的数量。

Answer 1

常量输入称为 bias 。假设您使用神经元的典型函数（输入的加权和的S形）如果一个神经元没有连接到 bias 输入，那么如果输入为0，该神经元只能输出0 ...因此，您失去了前馈神经网络的通用函数逼近能力。为了避免这种情况，有两种方法

神经网络得到输入（x1，x2）。每个神经元都有自己的偏差值，因此神经元计算sigmoid（w1 * x1 + w2 * x2 + ... + wn * xn + bias）
输入为（x1，x2,1）。神经元简单地计算sigmoid（w1 * x1 + w2 * x2 + ... + wn * xn）。每一层都完全连接到前一层
```
for i in [1, nb_layer - 1]:
  for neuron A in neuron_layer[i]:
    for neuron B in neuron_layer[i+1]:
      connect(A, B)
```

我倾向于选择第二种解决方案，因为它使代码和数据更加简化，没有特殊情况， bias 被视为特殊输入，有点像电路的接地电压。