machine-learning - 神经网络（输入和输出层）

Question

在处理多类分类时，输入层中不包括偏差的节点数（即向量）是否总是与输出层中的节点数相同？

Answer 1

不，输入层摄取特征。输出层对类进行预测。特征和类的数量不需要相同；它还取决于您对多个类输出的建模方式。

Answer 2

Lars Kotthoff 是对的。但是，当您使用人工神经网络构建自动编码器时，您将希望具有相同数量的输入和输出节点，并且您将希望输出节点学习输入节点的值。

Answer 3

没有，

通常输入单元的数量等于您将用于训练 NN 分类器的特征数量。

输出层的大小等于数据集中的类数。此外，如果数据集有两个类，那么只有一个输出单元就足以区分这两个类。

Answer 4

ANN 输出层对每个类都有一个节点：如果有 3 个类，则使用 3 个节点。输入层（通常称为特征向量）对每个用于预测的特征都有一个节点，通常还有一个额外的偏置节点。您通常只需要 1 个隐藏层，并且很难辨别其理想大小。

隐藏层节点过多会导致过度拟合和训练缓慢。隐藏层节点太少会导致拟合不足（过度泛化）。

以下是一些通用指南（来源）：

• 隐藏神经元的数量应该在输入层的大小和输出层的大小之间。
• 隐藏神经元的数量应该是输入层大小的 2/3，加上输出层的大小。
• 隐藏神经元的数量应小于输入层大小的两倍。

如果您有 3 个类和 30 个特征的输入向量，则可以从大约 23 个节点的隐藏层开始。在训练期间从该层添加和删除节点以减少错误，同时针对验证数据进行测试以防止过度拟合。