问题标签 [feed-forward]

我正在学习构建神经网络，我在 github 上遇到了这段代码，

https://github.com/PavelJunek/back-propagation-java

需要使用一个训练集和一个验证集，但我不知道在哪里输入文件。自述文件没有完全解释如何使用这些文件。如何使用此代码上的不同 csv 文件进行测试？

我正在实现一个神经网络，它需要 225 个输入神经元，它必须对从 1 到 7 的随机数进行分类。所以为此我需要 225 个随机权重作为第一个输出。建议我该怎么做？我必须喂这个来前馈神经网络

我知道这是题外话，请回答问题或将我重定向到正确的地方提问，之后我将立即关闭此问题。

但是，关于具有反向传播的分层前馈神经网络的基本结构，最好引用哪篇论文呢？

这适用吗？https://ieeexplore.ieee.org/document/329294

在文档中，我们训练了 10 个不同的神经网络，每个都使用不同的权重和偏差进行初始化。net是构建神经网络的变量，x1是训练数据集，t1是训练中使用的已知标签，x2是测试数据集，t2是测试标签。每个神经网络都存储在一个单元变量NN{}中。

训练后，评估是使用测试集完成的t2，x2但是，mse 计算是使用mse(net, t2, y2)我认为正确的语句完成的，mse(NN{i}, t2, y2)因为NN{}它是经过训练的模型，而不是net只是一个结构。以下是链接中给出的代码。

函数调用应该mse(NN{i}, t2, y2)代替mse(net, t2, y2)吗？

我正在使用前馈机器学习算法构建预测模型，并且我阅读了很多关于预处理训练数据（转换数据）的内容，将其范围在 0 到 1 之间以改进学习。我的问题是：我应该同时转换数据的训练样本（输入）和标签（输出）还是只转换数据样本？

我决定在不使用任何库的情况下创建一个前馈神经网络。我对这个主题相当陌生，并且完全是自学的。

我的神经网络使用反向传播来设置权重，所有层之间的激活函数（input-hidden1-output）是一个 Sigmoid 函数。假设我尝试用我的 NN 解决一个基本问题，例如 XOr 逻辑门问题。每当我使用完整的训练集（1 和 0 的所有可能组合）时，我的 NN 都无法以能够产生所需输出的方式设置权重。似乎它总是停在中间。（在所有情况下输出约为 0.5）另一方面，当我只迭代一种类型的输入（比如说 0 和 1）时，它会很快学习。

我的成本函数、节点数、隐藏层或什么有问题吗？我会很感激一些指导的话！

我正在尝试训练神经网络进行简单的映射，即 X 到 Y。在这种情况下，我试图将一个值映射到其各自的错误。X 和 Y 都是大小为 1077 的数组。

数据有很多噪音，而且这种关系基本上不存在。因此，我决定使用分类而不是回归。如果我使用 MSE（见下文），精度永远不会超过零，并且损失巨大且不变。

如果我尝试使用损失函数稀疏分类交叉熵，因为我想做多标签分类

我收到以下错误：

我的数据具有分配给四个类别之一的条目，并且我正在对其进行前馈神经网络训练。到目前为止，我有以下代码，这给了我整体的准确性。但我想获得每个班级的准确性。

这些类被标记为 0、1、2 和 3。

我正在尝试创建一个在神经元之间具有自定义连接的小型神经网络。如图所示，连接应该存在于多个层上，而不是完全连接（稀疏）。我还想手动而不是完全随机地进行权重初始化。我的目标是确定连接是积极的还是消极的。是否可以在 tensorflow (python/js) 或 pytorch 中创建这样的神经网络？

在 Python NEAT 中，您可以创建前馈网络或循环网络，但您也可以在配置文件中配置前馈的二进制设置。

现在我不确定禁用前馈的前馈网络会处理什么。

如果配置中的“前馈 = True”，则可以（但不必）进行循环连接。在代码中，您仍然可以将其称为 nn.FeedforwardNetwork，因为我找不到有关此事的文档。我的假设是可以建立循环连接，但不能由网络处理。这样可以确认吗？

所以，py文件：

和 config.txt：

如果这样可以澄清这一点，那将非常有帮助。