如何重复输入层，直到它超过一定数量的神经元？
重复输入层直到它超过一定数量的神经元可以通过增加隐藏层的数量或者增加每个隐藏层的神经元数量来实现。具体步骤如下：
- 确定输入层的神经元数量和目标神经元数量。输入层的神经元数量是根据输入数据的特征维度确定的，目标神经元数量是根据任务的要求确定的。
- 创建一个初始的神经网络模型，包括输入层和一个或多个隐藏层。初始的隐藏层可以只包含少量的神经元。
- 训练神经网络模型，使用训练数据集进行反向传播算法的迭代优化。在每次迭代中，根据当前模型的输出结果和真实标签计算损失函数，并通过梯度下降法更新模型的权重和偏置。
- 检查隐藏层的神经元数量是否已经超过目标数量。如果是，则停止训练，模型已经满足要求。如果不是，则继续训练。
- 在每次继续训练之前，根据当前模型的性能评估结果，决定增加隐藏层的数量还是增加每个隐藏层的神经元数量。可以根据经验或者尝试不同的组合来选择最佳的调整方式。
- 重复步骤3至步骤5，直到隐藏层的神经元数量超过目标数量。
需要注意的是，增加隐藏层的数量或者增加每个隐藏层的神经元数量可能会增加模型的复杂度和计算资源的需求，同时也可能增加过拟合的风险。因此，在调整隐藏层结构时需要综合考虑模型的性能和效率。
推荐的腾讯云相关产品：腾讯云AI Lab（https://cloud.tencent.com/product/ailab）提供了丰富的人工智能开发工具和资源，包括深度学习框架、模型训练平台等，可以帮助开发者进行神经网络模型的设计和训练。
相关·内容
我对神经网络非常陌生，但我正在尝试创建一个用于光学字符识别的神经网络。我有100张图片，大小为24x14，每个数字从0到9。神经网络的输入数量是336，但我不知道如何获得隐藏神经元和输出神经元的数量。
我如何计算它？
浏览 1提问于2016-03-03得票数 1
1回答
我想设计和训练一个神经网络，用于在一些显微图像中对边缘的自动识别。首先，我将使用Keras，稍后我可能会考虑PyTorch。
图像的结构比较简单，有一些暗区，还有一些清晰区域，比较容易分辨，任务是在黑暗区域和清晰区域之间选择轮廓的像素。在黑暗和清晰之间的过渡是渐进的，所以我的结果不是一行边缘像素，而是一个10或15像素宽的边缘“带状”。
我手动注释了200多张图片，所以对于每一幅图像，我有另一幅图像，大小相同，其中等高线的像素是黑色的，所有其他像素都是白色的。
我已经看过许多关于如何设计、编译和拟合模型(神经网络)以及如何使用人工注释的数据测试模型的教程。
然而，大多数教程都涉及分类问题，其中
浏览 3提问于2021-06-07得票数 0
回答已采纳
5回答
多层感知器神经网络中隐藏层的数量对神经网络的行为方式有什么影响？隐藏层中的节点数也有同样的问题吗？
假设我想使用神经网络进行手写字符识别。在本例中，我将像素颜色强度值作为输入节点，将字符类作为输出节点。
如何选择隐藏层和节点的数量来解决这样的问题？
浏览 1提问于2012-02-25得票数 33
1回答
我有一个具有以下形状的输入数据：(5395, 69, 1)
我的input_shape是：
(69,1)或
(1,69) ?
对于LSTM层的69个神经元，我在第一个input_shape 19'596参数中进行训练，用第二个38'364个参数，这些不是get作为输入1和69值的结果吗？我的问题是，我应该输入1因为我有一个功能，或69因为我有69个时间步骤，为什么？
浏览 6提问于2020-04-11得票数 1
回答已采纳
2回答
CNN的卷积层需要多少个神经元？
、、、、
在卷积层中需要多少个神经元来处理32*32大小的图像，包括32滤波器和核大小3 *3。我知道输入的神经元为32 * 32，即1024，但如何计算隐藏卷积层所需的神经元。
浏览 1提问于2020-08-17得票数 0
我是CNN话题的新手，我有一个关于输入图像与第一卷积层神经元之间的映射的基本问题。
我的问题是:输入图像是否应该到达第一卷积层(我是指第一隐藏层)中的所有神经元？
例如:如果我在CNN中的第一个隐藏层是8个神经元，在这种情况下，完整的输入图像被传递给所有这8个神经元，或者只有一组输入图像的像素被传递给每个神经元。
浏览 0提问于2020-03-15得票数 0
2回答
关于层数的Keras混淆
、、、、
我对Keras模型中使用的层的数量感到有点困惑。在这个问题上，文档相当不透明。
根据Jason Brownlee的说法，第一层从技术上讲由两层组成，输入层和隐藏层，输入层由input_dim指定。请参阅上的第一个问题。
在所有的Keras文档中，第一层通常被指定为model.add(Dense(number_of_neurons, input_dim=number_of_cols_in_input, activtion=some_activation_function))。
因此，我们能做的最基本的模型是：
model = Sequential()
model.add(Dense(1, i
浏览 8提问于2017-07-26得票数 31
回答已采纳
为了更好地理解神经网络，我开始了多层感知器的实现。目前，我已经实现了解决XOR问题的单个Perceptron。从这一点，我想开始构建MLP，但我不确定我是否正确理解MLP结构。假设我有3个属性、2个类和5个输入感知器的数据实例。我应该给每个感知器相同的输入，感知器的每一个输出都应该进入每个隐藏层感知器的输入？我附上神经网络图片。
📷
浏览 0提问于2016-08-18得票数 2
回答已采纳
1回答
如果我们有一个神经网络，比如多层感知器反向传播神经网络，它使用了σ逻辑激活函数，是否有可能将网络输出提供给它，并让它重新计算一组输入？由于我们可以通过使用自然对数和逆操作来反转激活函数，直到我们有一个由所有权重乘以其输入组成的和值，因此我认为至少可以获得将生成指定输出值的可能输入集。
浏览 2提问于2011-07-28得票数 16
回答已采纳
1回答
我正在读这篇，突然出现了一种怀疑。在教程de dataset中有10个属性(经过一次热转换之后)，但是当模型创建时，输入层的神经元(64)比输入( 10 )多。
下面是代码：
def build_model():
model = keras.Sequential([
layers.Dense(64, activation='relu', input_shape=[len(train_dataset.keys())]),
layers.Dense(64, activation='relu'),
layers.Dense(1)
])
浏览 1提问于2020-04-19得票数 0
回答已采纳
2回答
神经网络中隐神经元的确定
、、、
如何选择隐层的神经元数(反向传播网络)？对于选择隐藏神经元的数量是否有任何严格的规则？我在一些文章中发现，它应该几乎等于(no_input_neurons * no_output_neurons)的平方根。但这对我没用。选择神经元是一种成功的试验方法吗？
我正在尝试设计的神经网络，以便从基本(已经做过XOR)开始。我该怎么做？我在不同的论坛上发现隐藏神经元的数量不同。你有什么想法？
浏览 2提问于2013-12-21得票数 0
回答已采纳
2回答
我有一个有结构的神经网络:7个输入神经元，3个输出神经元。
在互联网上，当隐藏层上的神经元数量是第一层神经元数的1.5 ~2倍时，效果最好。也就是说，在我的例子中，它将是14。我正在使用一种再静默传播训练方法来教网络在C#。
训练周期约为100 K。我真的得到了更好的结果-我有更多的隐藏神经元！不仅仅是数量的2倍，而是输入层数量的6倍。换句话说，目前共有44个隐神经元被定义！一切都在好转。
我开始觉得这里有什么不对劲..。隐神经元计数将如何影响网络的有效性？
我可以继续增加数量..。50.60..70我刚开始的时候只有11兆位，这样的训练结果很糟糕。请给出一个解释为什么更高的隐藏神经元计数提供
浏览 5提问于2015-04-10得票数 2
回答已采纳
2回答
我用Keras训练了不同的分类模型，每个层有不同的隐层数和相同的神经元数。我发现，随着隐藏层数的增加，模型的准确性降低了，但是，在隐藏层的数量更多的情况下，模型的精度下降更明显。下图显示了不同模型的准确性，在这些模型中，隐藏层的数量发生变化，而其余参数保持不变(每个模型在每个隐藏层中有64个神经元)：
📷
我的问题是，为什么8层和16层之间的精度下降要比1层和8层之间的下降要大得多，尽管隐藏层的数量是相同的(8)。
浏览 0提问于2021-04-10得票数 2
假设我有一个密集层的神经网络。输入层有3个神经元，单个隐层有5个神经元，最后输出层有2个神经元。
对于第1层，3个输入进入，5个输入输出。对于第二层，来自第1层的5个输入进入，2个输入输出。那么对于第三层，会有2个输入进入，2个输入输出吗？
浏览 0提问于2021-01-10得票数 0
回答已采纳
如何实现具有可配置数量和输入输出动态行为的前馈神经网络？
我正在尝试将神经网络添加到我正在开发的游戏中的实体中。然而，对于我添加的每个实体类型，我必须创建一个具有不同数量的输入和输出的新神经网络，然后硬编码如何设置输入以及如何使用输出来指导行为。
我希望找到一种动态设置所有这些的方法，这样我就不必为每个实体类型重写新的神经网络。
因为我使用的是C++，所以我目前有一个双精度向量作为输入和输出容器。目前，我的神经网络算法遍历一层中的每个元素(包括输入的“层”)，并将信息传递到下一层，我相信现在这将很好地工作(尽管我对建议持开放态度)。然而，我真正的问题是如何在不限制输入/输出数量或允许实体拥有的
浏览 1提问于2012-06-07得票数 0
回答已采纳
就像我们有一个矩阵N*N和x1 x2输出的栅格数组。我们希望得到一个可训练的网络，让x1和x2能够接近我们的数据。它的隐藏层结构应该是什么样的？我希望它不会把x1变成x2，把x2变成x1。因此，我想构建一个可训练的网络，它将NxN矩阵作为输入，并生成两个数字x1和x2作为输出。
浏览 1提问于2011-01-30得票数 0
1回答
我正在构建一个反向传播神经网络(使用Encog库)，它根据大约50个因素做出决定，我需要帮助它的最佳设计:我们肯定需要50个输入神经元，4个神经元作为输出给出答案(4位数)，但我不确定隐藏层中神经元的数量，最好的是多少？另外，我想问的是，在这种情况下，带节段激活函数的反向传播是否最好。谢谢你提前。
浏览 2提问于2014-10-23得票数 1
回答已采纳
我刚刚从这个视频中编码了神经网络
虽然不是真的需要，但源代码可以在上找到
我稍微修改了输入数据代码，所以现在我的程序测试点是在一条线的上方还是下方。此函数起作用。它打印完全相同的输入/目标文件，但X和Y坐标的值在0到20之间，输出值根据该点是否位于Y= 2x+4线上方计算为0或1。生成的输入文件是准确的。
我已经运行了一些测试，并发现了有趣的结果。在2 4 1 (2个输入神经元，4个隐藏，1个输出)拓扑和2 0 0 0个输入值的情况下运行程序，在pass 1上的初始误差为9.164...E61。在pass 2 0 0 0上，误差减小到-2.086...E53，仍然相当不准确...
现在，让我
浏览 33提问于2017-01-26得票数 1
我有MxN的rgb图像。所以这里没有。彩色频道将是3(r，g，b).now，我想建立一个CNN模型。所以输入神经元的no是MxN.Let，我们有nxn感受fields.so，第一隐层神经元的no是( my +1)x(my+1).So，我的问题是：
我怎么才能决定不。输入图像和第一隐藏层之间的特征映射，等等？
特征图是如何与特征通道连接的？它们的特征通道和颜色通道之间有什么关系吗？
我是新在CNN.any类型的反应接受。
浏览 2提问于2016-02-02得票数 1
回答已采纳
2回答
我的数据集大小是800个音频文件，现在我想构建一个用于音频分类的人工神经网络。我在第一层给了64个神经元，在第二层给了36个神经元。在一个神经网络中会有特定数量的神经元通过吗？输入形状为(826，12)，模型的输出为二进制输出。
浏览 0提问于2020-01-08得票数 0
2回答
我正在尝试理解如何训练多层；然而，我在弄清楚如何确定合适的网络体系结构时遇到了一些问题--即网络的每一层中的节点/神经元的数量。
对于特定的任务，我有四个输入源，每个输入源可以输入三种状态中的一种。我猜这将意味着四个输入神经元触发0，1或2，但据我所知，输入应该保持二进制？
此外，我在选择隐藏层中神经元的数量时遇到了一些问题。任何评论都是很棒的。
谢谢。
浏览 0提问于2010-04-25得票数 7
回答已采纳
1回答
我已经实现了一个多层感知器，并首先设计了训练方法，以进行一定数量的训练。我针对XOR逻辑门对网络进行了训练，大多数时候网络会学习如何解决问题，但偶尔网络只会学习两个训练示例，并停留在其他两个示例上。
起初我认为这并不重要，但后来我想将训练方法更改为在误差低于我选择的某个可接受的误差值后停止。现在，网络有时会从训练中返回，有时会像我上面提到的那样卡住。这是正常的，是一个多层感知器有时无法正确学习，还是这是我的实现中的一个错误。
如果重要的话，实现是在C++中，并且多层感知器是标准的前馈反向传播神经网络；2个输入神经元，2个隐层神经元，1个输出神经元。
我是否应该使用两个输出神经元，如果是的话，值
浏览 0提问于2013-07-17得票数 1
回答已采纳
我想建立一个神经网络来学习一组标准的特征向量。因此，集合是形状(N,100)，其中N是样本数。然而，标签集是形状的(Nx18) (例如，每个“标签”是另一个由18个元素组成的数组)。我对keras和神经网络非常陌生，我只知道如何处理一维标签(例如，二进制分类中的0或1)。如何处理多维输出？
谢谢!
浏览 4提问于2016-03-29得票数 1
回答已采纳
2回答
我有一个2D表面，在那里，一艘船(以恒定的速度)在现场周围航行以获取糖果。船每捡到一颗糖果，我就增加健身能力。NN有一个输出来引导船(左0，右1，所以0.5是直进的)，在范围内有四个输入-1。1，表示两个归一化向量。船的方向和糖果的方向。
有没有办法计算隐藏层中神经元的最小数目？我还尝试给出两个输入，而不是四个，第一个是点积，第二个是(0/1)，如果糖果是在船的左右。似乎这种方法在隐藏层神经元较少的情况下效果更好。
浏览 11提问于2015-11-11得票数 2
回答已采纳
2回答
我有分类问题，我有一个输入形状(16x16图像)，我需要把这个形状分类为正确的形状，所以我有256个(16*16)输入神经元和一个输出神经元。
中间的呢？我不知道需要多少层隐藏神经元，每个层应该有多少个神经元。
浏览 0提问于2014-10-18得票数 0
回答已采纳
我有一个在三个方面(8,50,3)的培训输入。我试图将它作为一个输入传递给Keras中的序列模型。查找我发现这应该有效的文档：
model = Sequential()
model.add(Dense(100, activation='relu', input_shape=(50,3)))
model.add(Dense(100,init="uniform", activation='sigmoid'))
model.add(Dense(50,init="uniform", activation='relu'))
浏览 1提问于2017-05-10得票数 2
回答已采纳
我刚刚学完安的课程，开始学习CNN。我对CNN中的填充和跨步操作有基本的了解。
但很难将输入图像与第一卷积层中的神经元映射，但我对输入特征如何映射到人工神经网络中的第一隐藏层有基本的了解。
理解输入图像与第一卷积层神经元之间映射的最佳方法是什么？
我如何澄清我对下面的代码示例的疑惑？代码取自Coursera中的DL课程。
def initialize_parameters():
"""
Initializes weight parameters to build a neural network with tensorflow.
浏览 0提问于2020-03-15得票数 2
3回答
我已经为ANN BP开发了一个代码来对打呼片段进行分类。我有10个输入特征和1个隐藏层，其中有10个神经元和一个输出神经元。我表示1表示没有打呼，0表示打呼片段。我有3000个片段，其中2500个片段没有打呼片段，标记为1。500个打呼片段标记为0。我已经将数据集分成三组(70%的训练，15%的验证和15%的测试)。
现在，在训练网络时，首先我对训练集进行了混洗，并将打呼和不打呼的片段全部混合在一起。因此，在我训练网络后，当我验证它(仅通过前馈网络)时，我发现它只能对其中的一个进行分类。让我进一步说明一下，假设训练集中的最后一个元素是无打呼(即1)。因此，它为最后一次输出训练了网络。然后在验证
浏览 1提问于2016-07-08得票数 0
1回答
我最近做了我的第一个神经网络模拟，也使用了遗传进化算法。这是一个简单的软件，它只是模拟收集食物的简单有机体，正如人们所预料的，它们从具有随机和零星运动的有机体进化为具有受控的食物寻找运动的有机体。因为这种有机体很简单，所以我只使用了几个隐层神经元和几个输入输出神经元。我知道，简单地增加神经元就可以制造出更复杂的神经网络，但你不能增加更多的层吗？或者这会产生某种冗余吗？所有的神经网络图，如这一个，总是有一个输入层，一个隐藏层和一个输出层。如果你只是加了一堆隐藏的层，就不能建立一个更复杂的神经网络吗？当然，这会使神经网络的处理变得更加困难，但它会创造出某种优势吗，还是就像在一个单层中增加更多的神经
浏览 1提问于2015-06-16得票数 1
回答已采纳
2回答
我正在尝试理解Keras中的ANN架构的一个概念。任何神经网络中的输入神经元的数量都应该等于特征/属性/列的数量。因此，在矩阵为(20000, 100 )的情况下，我的输入形状应该有100个神经元。在Keras页面上的示例中，我看到了一个代码： model = Sequential([Dense(32, input_shape=(784,)), ，这意味着输入形状有784列，32是输出空间的维度，这意味着第二层的输入值将是32。我的理解是，如此显着的下降是因为一些单元由于激活功能而没有激活。我的理解正确吗？ 同时，另一段代码显示，输入神经元的数量高于特征的数量： model = Sequen
浏览 29提问于2019-05-25得票数 4
1回答
我的神经网络看起来像这样
但我对这张图有点迷惑。
显然，我们有10个输入值和2个输出值。
还有10个隐藏的神经元。所以我假设10个输入中的每一个都连接到10个隐藏神经元中的每一个？
另外，W和B是什么意思？
浏览 15提问于2018-08-02得票数 0
回答已采纳
2回答
根据本教程，这是一个简单的3层顺序神经网络的示例：
model = keras.Sequential(
[
layers.Dense(2, activation="relu", name="layer1"),
layers.Dense(3, activation="relu", name="layer2"),
layers.Dense(4, name="layer3"),
]
)
这是否意味着输入层是2个神经元？因为我发现，如果我给模型一个不同大小的
浏览 1提问于2021-05-30得票数 0
4回答
OCR训练前馈神经网络
、、、、
目前，我正在学习神经网络，我试图创建一个应用程序，可以训练识别手写字符。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，它似乎是有效的。但是，当我试图让网络学习超过3个字符时，它将停滞在40 %- 60%左右的错误百分比。
我尝试了多层和更少/更多的神经元，但我似乎不能正确，现在我想知道一个前馈神经网络是否能够识别出这么多的信息。
一些统计数字：
网络类型：前馈神经网络
输入神经元:使用 100 ( 10 * 10)网格绘制字符
输出神经元：字符数量
有人知道我的架构可能有什么缺陷吗？输入神经元太多了吗？前馈神经网络不具备字符识别能力吗？
浏览 10提问于2012-03-13得票数 11
回答已采纳
我在youtube上看关于神经网络的讲座。我不知道如何识别网络中神经元和层的数量。我把youtube讲稿的幻灯片贴在左边，里面有3个神经元和2层。我在谷歌上找到了一张图片，并把它贴在右边。我对谷歌图像中神经元和层数的猜测正确吗？
浏览 0提问于2018-04-12得票数 2
回答已采纳
我上一次关于ANN的讲座是在一段时间之前，但我现在正面临一个项目，我想使用一个项目。
因此，基础知识-比如由进化算法(由项目给定)训练的类型(多层前馈网络)，设置了多少个输入神经元(8个)和多少个输出神经元(7个)。但我目前正在试图弄清楚我应该使用多少隐藏层，以及这些层中的每一层中有多少神经元( ea不会修改网络本身，而只是修改权重)。
有没有关于如何弄清楚这一点的一般规则或指导方针？
浏览 0提问于2012-12-19得票数 3
回答已采纳
1回答
密集层如何改变来自LSTM层的输出？从前一层的50个形状的输出中，我如何从用于预测的密集层获得大小为1的输出？假设我有一个基本模型： model = Sequential()
model.add(LSTM(50,input_shape=(60,1)))
model.add(Dense(1, activation="softmax")) 密集层是否采用来自前一层的值，并分配50个输入中每一个的概率(使用softmax函数)，然后将其作为输出？
浏览 16提问于2019-09-01得票数 1
回答已采纳
2回答
我正在用Tensorflow在python 3.6.6中建立一个神经网络。我想知道，如何选择这些层中隐藏的层和节点的数量？这是一个货币预测机器人，对我应该使用的网络类型有什么建议吗？
浏览 0提问于2018-09-24得票数 0
回答已采纳
2回答
在我的理解中，全连接层(简称fc)用于预测。
例如，VGG Net使用2个fc层，这两个层都是4096维。softmax的最后一层具有与类num相同的维度:1000。
但对于resnet，它使用全局平均池化，并使用最后卷积层的池化结果作为输入。
但是他们仍然有一个fc层！这一层真的是fc层吗？或者这一层只是输入到一个特征向量中，哪个数就是类数？这一层有预测结果的功能吗？
总而言之，resnet和VGGnet有多少个fc层？VGGnet的第1层、第2层、第3层fc是否具有不同的功能？
浏览 1提问于2017-07-05得票数 3
2回答
如何定义神经网络的问题
、、、
我已经构建了一个系统，其中神经网络可以改变大小(隐藏层的数量和大小等)。当学习率为0.5，1个隐藏层为4个神经元，2个输入和1个输出时，它成功地学习了XOR and问题(二进制输入等)。效果非常好。
然后，当我设置结构784个输入，1个隐藏层30个神经元，10个输出，并应用MNIST数字集，其中每个输入是一个像素值，我根本不能得到好的结果(没有比随机更好！)。我的问题很有理论基础:如果我的代码看起来确实能处理其他问题，我是否应该假设我需要为这个问题不断试验不同的学习率、隐藏层等？或者应该决定有一个更深层次的问题？
如何找到正确的层组合、学习率等？你会怎么做呢？
测试也很困难，因为它需要大约2个
浏览 4提问于2016-12-04得票数 1
1回答
辍学生长概率
、、
在DNN文献中，是否存在一个与层深度成正比的辍学比率(相反)的分析或术语？
凭直觉，我希望在输入旁边的层上脱落较少的神经元，在接近末端层时下降更多。例如，从p_keep = 0.8传递到p_keep=0.5，特别是当输入特性都是相关的时候。其中p_keep是保持节点的概率。
例如：
Layer1: p_keep=0.9
Layer2: p_keep=0.7
Layer3: p_keep=0.6
Layer4: p_keep=0.55
Layer5-n: p_keep=0.5
浏览 0提问于2018-03-05得票数 3
回答已采纳
我有一个多层LSTM模型；我的问题是第一层具有与输入形状不同的output_shape (不同数量的特征)。正因为如此，我无法拟合这个模型；一个错误正在抛出。你能解释为什么会发生这种情况吗?任何解决方案都会非常感谢。 trainingModel = keras.Sequential()
print('training_batch_size : ',training_batch_size, 'DataX.shape[1] : ',trainingDataX.shape[1],'DataX.shape[2] : ', trainingDataX.
浏览 57提问于2019-06-01得票数 1
1回答
我阅读了这一页：，以更好地理解神经网络是如何工作的。我想在Java中创建一个简单的前馈网络，它没有反向传播或训练。
我对网络中每一层的“神经元”所涉及的数学是模糊的。假设我有三层。第一层接受大小为100的输入向量。这是否意味着我的第一层将有100个神经元？这是否也意味着每个神经元的输入将是所有100个输入乘以权重的总和？这就是我的神经元激活函数的输入之和吗？
在这一章中提到，神经元/感知器的所有输入之和可以重表示为输入(x)和权重(w)的点乘积。我可以把它们看作两个独立的向量，它们的点积给了我x1w1 x2w2 x3w3 .等等，但是x1w1 + x2w2 +之和是如何.还和点积一样吗？
最后
浏览 1提问于2016-11-04得票数 2
回答已采纳
在训练神经网络时，内部层和内部节点的默认数目是多少？
我的数据有62个观测数据和大约200个预测器。我有一个有两个类的目标变量，实现了一个不重复的一个内部层和一个内部节点的神经网络。另外，我尝试了两个内部层，其中5个内部节点在一个，2个内部节点在第二层。我想要找到的准确性，首先，对默认值，然后我将尝试优化模型的性能。
在神经网络训练模型中，选择层数和内节点数的标准是什么？在随机森林的情况下，我们可以选择大致相等于预测器数目的平方根。
浏览 0提问于2017-08-12得票数 4
回答已采纳
我刚开始深入学习，我想用CNN(keras)构建一个图像分类器。我建立了一个由两个卷积层(过滤器= 32，内核= 3x3)组成的模型，然后是一个MaxPooling层(2x2)，重复了2次。最后，两个完全连接的层。我的准确率是50%。我的问题是，我们如何选择模式开始。就像我们如何决定应该有两个卷积层，然后是一个MaxPooling层，或者一个卷积层和一个MaxPooling层。另外，如何选择每个卷积层中的滤波器数目和核大小。
如果我的模型不起作用，那么如何决定对模型进行哪些更改。
model = Sequential()
model.add(Convolution2D(32,3,3,inpu
浏览 0提问于2019-07-12得票数 0
回答已采纳
1回答
去噪自动编码器参数搜索
、、、
我已经运行了一个去噪自动编码器的超参数搜索，结果表明我应该使我的隐藏层的大小尽可能大(在我允许它搜索的值范围内)。这在直觉上是有意义的(我认为？)，更宽的层可以让它更容易地将输出复制到输入。然而，我认为这个微不足道的结果是为了防止去噪自动编码器。
有人能给我建议吗？谢谢。
浏览 0提问于2018-10-02得票数 -1
1回答
要识别手写数字，我有一个完全连接的网络，只包含两个层:输入层(图像的所有像素)和输出层(0或1)。我使用最简单的线性回归训练(梯度下降)，并取得了很好的效果。
然而，我刚刚意识到我的模型比数据点有更多的自由度。假设数据都是需要识别的n_n像素图像，所以自由度是n_n+1。我使用n=50，但我只使用不到20个数据点(20个训练图片)。从线性拟合/回归的观点来看，数据点的数量至少应该超过自由度的数据点数。但是现在在我的模型中，相反的情况发生了，不应该找到解决方案。怎么了
浏览 0提问于2018-12-08得票数 4
回答已采纳
2回答
在所有文献中，他们说convnet的输入层是形状(宽度、高度、通道)的张量。我了解到，一个完全连接的网络有一个输入层，其神经元数量与图像中的像素数相同(考虑灰度图像)。那么，我的问题是，在一个卷积神经网络的输入层中有多少个神经元？似乎具有误导性(或者我理解错了)，它说输入层有3个神经元。如果是这样，这3个神经元代表什么？它们是张量吗？据我对CNN的理解，难道不应该只有一个神经元大小(高度，宽度，频道)吗？如果我错了，请纠正我
浏览 1提问于2018-09-11得票数 9
1回答
用角化和回归预测高值
、、、
我试图建立一个回归模型，但mse和mae非常高。我过滤和规范化数据(输入和输出，以及测试和培训集)。我认为问题的出现是因为我在一栏中有很高的值:最小值为1，最大值为9100000 (没有正常化)，但实际上我需要预测这些高值。
模型如下所示:我有6个输入列和800000行。我尝试了更多的神经元和层，或改变乙状结肠功能，但损失和误差保持在0.8左右的mse和0.3的mae。预测值也远低于预期值，永远达不到高价值。
model = Sequential()
model.add(Dense(7, input_dim=num_input, activation='relu'))
mod
浏览 2提问于2021-09-28得票数 0
回答已采纳
我正在尝试使用神经网络来解决这个。我正在使用Pybrain Python库。
这是一个经典的监督学习问题。在下面的代码中：'data‘变量是numpy数组(892*8)。7个字段是我的特征，1个字段是我的输出值，可以是'0‘或'1’。
from pybrain.datasets import ClassificationDataSet
from pybrain.supervised.trainers import BackpropTrainer
from pybrain.tools.shortcuts import buildNetwork
dataset = Cla
浏览 2提问于2012-10-08得票数 11
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
