问题标签 [feed-forward]

我想知道：在多层前馈神经网络中，输入层是否应该包含偏置神经元，或者这仅在隐藏层中有用？如果是这样，为什么？

目前我正在学习神经网络，我正在尝试创建一个可以被训练来识别手写字符的应用程序。对于这个问题，我使用了前馈神经网络，当我训练它识别 1、2 或 3 个不同的字符时，它似乎可以工作。但是当我试图让网络学习超过 3 个字符时，它会停滞在 40 - 60% 左右的错误百分比上。

我尝试了多层和更少/更多的神经元，但我似乎无法做到这一点，现在我想知道前馈神经网络是否能够识别那么多信息。

一些统计数据：

网络类型：前馈神经网络

输入神经元： 100（一个10 * 10）的网格用于绘制字符

输出神经元：要重新识别的字符数量

有谁知道我的架构中可能存在的缺陷是什么？输入神经元是否过多？前馈神经网络不能进行字符识别吗？

我正在尝试用 Java 实现前馈神经网络。我创建了三个类 NNeuron、NLayer 和 NNetwork。“简单”的计算似乎很好（我得到了正确的总和/激活/输出），但是在训练过程中，我似乎没有得到正确的结果。谁能告诉我我做错了什么？NNetwork 类的整个代码很长，所以我发布了导致问题的部分：[编辑]：这实际上几乎是 NNetwork 类的全部

某些方法的名称（及其返回值/类型）是不言自明的，例如“this.getAllSums”返回每一层的总和（每个神经元的 sum(x_i*w_i)），“this.getAllOutputs”返回每层的输出（每个神经元的 sigmoid(sum)）和返回第 i 层的第 j 个神经元的“this.getNeuron(i,j)”。

预先感谢您的帮助 ：）

我已经在 PyBrain 上训练了一个用于分类的网络，并准备好使用特定的输入来启动。但是，当我这样做时

正如预期的那样，我得到了“输出”的数值，但是有没有办法直接确定预测的类标签？即使没有，我如何将“输出”的值映射到我的类标签？谢谢您的帮助。

我正在编写一个程序来在 python 中执行神经网络我正在尝试设置反向传播算法。基本思想是，我查看 5,000 个训练示例并收集错误并找出我需要向哪个方向移动 theta，然后将它们向那个方向移动。有训练示例，然后我使用一个隐藏层，然后是一个输出层。但是，我在这里弄错了梯度/导数/错误，因为我没有正确移动 theta，因为它们需要移动。我今天花了 8 个小时，不知道我做错了什么。谢谢你的帮助！！

我已经建立了自己的神经网络，但我遇到了一个奇怪的问题。

该网络是一个非常简单的具有反向传播学习的前馈 1-N-1 网络。Sigmoid 用作激活函数。

我的训练集是用 [-PI, PI] 与其 [0,1] 标度正弦值之间的随机值生成的（这是因为“Sigmoid-net”仅产生 [0,1] 和未标度正弦函数之间的值产生 [-1,1] 之间的值）。

使用该训练集，网络设置为 1-10-1，学习率为 0.5，一切正常，网络学习了 sin-function。但是..如果我对 COSINE 函数以同样的方式做所有事情，网络就不会学习它。没有任何隐藏层大小或学习率的设置。

有任何想法吗？我错过了什么吗？

编辑：我的问题似乎与这个小程序所见的相似。除非首先为权重教授“更简单”的东西（例如 1400 个二次函数循环），否则它似乎不会学习正弦函数。小程序中的所有其他设置都可以保持初始状态。因此，在正弦或余弦的情况下，在找到解决方案之前，权重似乎需要一些提升以至少部分正确的方向。为什么是这样？

嘿伙计们，我需要一些关于我的 pybrain 代码的帮助。一切都很好，但是在第一次训练之后，训练错误并没有下降。事实上，它只是停留在 13.3484055174 处。我已经多次检查我的代码并将其与其他示例进行比较，但我一直遇到同样的问题。我也已经尝试过更改隐藏单元的数量、学习率、动量、权重衰减，但无济于事。我检查了参数，它从 [-1 到 1] 开始，然后上升到 ~240-250。我想知道是否有人可以看到它为什么不起作用。我敢肯定这是我缺少的一个非常简单的 1-liner。

我正在研究 kaggle 0-9 数字分类数据集。我已经让随机森林工作了，但我真的想让这个神经网络也能工作。任何帮助将不胜感激。

我是神经网络的新手，我正在设计一个前馈神经网络来学习玩游戏跳棋。作为输入，必须给出棋盘，输出应该给出输赢的机会。但是如何将棋盘理想地转换为一排数字进行输入呢？每个方格有 32 个可能的方格和 5 种不同的可能性（国王或白棋或黑棋棋子和自由位置）。如果我为每个正方形的每个可能值提供一个输入单位，它将是 32 * 5。另一个选项是：

在这种情况下，输入长度仅为 64，但我不确定哪个会给出更好的结果？

我正在使用 PSO 进行训练的 FF 神经网络（用于分类问题）。我只有一个隐藏层，我可以改变该层中神经元的数量。

我的问题是 NN 可以很容易地学习线性可分问题，但不能像它应该能够那样学习不能线性可分的问题（如 XOR）。

我相信我的 PSO 工作正常，因为我可以看到它试图最小化每个粒子的误差函数（使用训练集的均方误差）。

我尝试使用具有相似（坏）结果的 sigmoid 和线性激活函数。我也有一个偏置单元（这也没有多大帮助）。

我想知道的是，是否有一些我可能做错的特定事情可能导致这种类型的问题，或者可能只是一些我应该看看错误可能在哪里的事情。

我现在有点失落

谢谢

我想实现一个像这样工作的模型：它有 3 个输入，例如 - 1,2,3，它给出 1 个输出 - 一个介于 0 到 1 之间的数字（包括 0 和 1）。该模型是一个前馈网络——首先，它“训练”——它得到输入和结果，然后，根据他的训练，它可以给出一个只给出输入的结果，例如：有一次他得到 1,2 ,3 和结果：0，他第二次得到 2,3,4，结果：0，第三次得到 3,4,5，结果：1. 第四次得到 4,5,6 但没有结果 - 所以基于根据他的知识和算法，他会给出一个结果，比如说：0.45。

我的问题是输入向量的大小和结果向量的大小必须相等，所以当我只需要 1 时，结果的向量必须包含 3 个元素 - 所以我让所有元素都相同，含义：它得到 [1 1 1] 或 [0 0 0] （我希望它不会破坏网络）。无论如何，这是我模型的代码——我实现得好吗？因为我不确定...