神经网络中不同类的不同权重及学习后如何使用
我用反向传播算法训练了一个神经网络。我手动运行网络30次，每次更改输入和期望的输出。结果是一个传统的分类器。
我尝试了三种不同的分类。由于我运行了网络30次，每个类有10个输入，我最终得到了3个不同的权重，但是相同的分类有非常相似的权重，误差很小。因此，该网络已经证明自己已经成功地学习了。
我的问题是，既然学习已经完成，而且我有3种不同类型的权重(每种分类一种)，我如何在常规的前馈网络中使用这些权重，以便它能够自动地分类输入。我搜索了一下，看看你是否能把重量平均下来，但是看起来这是不可能的。有些人提到了bootstrapping the data
我在反向传播学习过程中做错什么了吗？还是有一个额外的步骤，需要做后的学习过程，这些不同的权重，为不同的班级？
一种我是如何成像，这是通过实现一个常规的前馈网络，将所有这3种类型的重量。将有3个输出，对于任何给定的输入，一个输出神经元将触发，这将导致给定的输入被映射到特定的类。
网络体系结构如下：
3个输入，2个隐藏神经元，1个输出神经元
提前感谢
回答 2
Stack Overflow用户
发布于 2013-12-22 21:12:33
如果每次只在神经网络中训练一个类，这是没有意义的，因为隐藏层可以进行权重组合，以“学习”输入数据可能属于哪一类。单独学习将使权重独立。如果给出一个新的测试输入，网络将不知道应该使用哪个权重。
使用向量作为输出来表示这三个不同的类，并对数据进行整体训练。
编辑 P.S，我不认为你提供的链接文章与你的案例相关。该岗位的问题来自于神经网络训练中不同的权值初始化(随机)。有时，为了避免这样的问题，人们使用some seed methods来使权重学习重现性。
Stack Overflow用户
发布于 2013-12-23 23:59:12
除了nikie的响应之外，另一种可能是将输出表示为一个具有连续值的(唯一)输出单元。例如，如果输出在[0，1)区间内，则ann对第一类进行分类；在[2，3)中对第二类if在[1，2)区间和第三类进行分类。这个体系结构是以字母形式声明的(并在我的经验中得到了验证)，它的效率低于3个神经元的离散表示形式。
https://stackoverflow.com/questions/20733865
复制相似问题
腾讯云开发者
