当前位置：文江博客话题详情

人工神经网络中的连接

发布于 2024-11-05 08:56:52 字数 260 浏览 3 评论 0原文

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）节点仅接受 3 个输入（1,x1,x2），如果之前的隐藏层有 4 个节点，这意味着它创建了 4 个到最后一个节点。我就忽略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 或 1 个节点，我也很难处理这个问题。

我知道这并不是一个真正的编程问题，但我在编程（到目前为止）只是处理这些问题方面并不困难。

所以是的，我们的想法是用户可以告诉我隐藏层的数量和每层的节点数量。

原文

分享到QQ

分享到微博

如果你对这篇内容有疑问，欢迎到本站社区发帖提问参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。

发布评论

需要登录才能够评论，你可以免费注册一个本站的账号。

〃温暖了心ぐ 2024-11-12 08:56:52

恒定的输入称为偏差。假设您对神经元使用一种典型函数（输入加权和的 sigmoid 函数），如果一个神经元未连接到 bias 输入，则该神经元只能在输入为 0 时输出 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，神经网络有两种方式

获取输入（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 + 偏差)

输入为 (x1, x2, 1)。神经元简单地计算 sigmoid(w1 * x1 + w2 * x2 + ... + wn * xn)。每一层都与前一层完全连接

对于 [1, nb_layer - 1] 中的 i：
  对于 Neuron_layer[i] 中的神经元 A：
    对于 Neuron_layer[i+1] 中的神经元 B：
      连接（A，B）

我倾向于选择第二个解决方案，因为它使代码和数据更加精简，没有特殊情况，bias被视为特殊的输入，有点像ground电路的电压。

The input which is constant is called bias. Assuming you use a typical function for the neuron (sigmoid of weighted sum of the inputs) If one neuron is not connected to the bias input, then that neuron can only output 0 if input is 0... Thus you loose the universal function approximation capability of a feed-forward neural network. To avoid that, 2 ways

neural network got input (x1, x2). Each neuron got its own bias value, thus the neurons compute sigmoid(w1 * x1 + w2 * x2 + ... + wn * xn + bias)
input is (x1, x2, 1). The neurons simply compute sigmoid(w1 * x1 + w2 * x2 + ... + wn * xn). Each layer is fully connected to the previous one
```
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)
```

I tend to prefer the 2nd solution, as it makes the code and the data more streamlined, no special case, bias is seen a special input, a bit like ground voltage for an electric circuit.

回复收藏 0 原文

~没有更多了~