为什么在神经网络中每个层有多个层和多个节点？
我刚刚开始学习神经网络，到目前为止，我对机器学习的知识只是线性和logistic回归。根据我对后一种算法的理解，在给定输入倍数的情况下，学习算法的工作是为每一输入求出适当的权重，从而最终得到一个多项式，该多项式可以描述线性回归情况下的数据，也可以像logistic回归那样分离数据。如果我在神经网络中代表同样的机制，根据我的理解，它会是这样的，
输入层的多个节点和输出层中的单个节点。在这里，我可以将错误按比例传播到每个输入。最后，我到达了一个多项式X1W1 + X2W2+....XnWn，它描述了数据。在我看来，除了输入层，每个层有多个节点，似乎使学习过程并行，这样我就可以更快地到达结果。这几乎就像运行多个学习算法，每个算法都有不同的起点，以查看哪一个算法收敛得更快。至于多个层次，我不知道它对学习结果有什么机制和优势。
回答 1
Stack Overflow用户
发布于 2017-01-01 15:02:43
为什么在神经网络中每个层有多个层和多个节点？
我们至少需要一个具有非线性激活的隐藏层才能学习非线性函数。通常，人们认为每个层都是一个抽象级别。对于计算机视觉，输入层包含图像，输出层包含每个类的一个节点。第一个隐藏层检测边缘，第二个隐藏层可能检测圆圈/矩形，然后出现更复杂的模式。
有一个理论结果表明，只有一个隐层的MLP，只要有足够的神经元，就可以满足每个感兴趣函数的任意低误差。但是，参数的数量可能比添加更多的层要大得多。
基本上，通过在每一层添加更多的隐藏层/更多的神经元，您可以为模型添加更多的参数。因此，您可以让模型适应更复杂的函数。然而，据我所知，对添加一个进一步的层/节点所做的事情并没有定量的理解。
在我看来，你可能想要一个神经网络的概括性介绍。我推荐Tho14a的第4.3章和第4.4章以及LBH15。
Tho14a M. Thoma，“手写数学符号的在线识别”，德国Karlsruhe，2014年11月。在网上。可用：https://arxiv.org/abs/1511.09030 LBH15 Y. LeCun，第521卷，Y. Bengio，no. 7553，和G. Hinton，第436-444页，“深入学习”，“自然”，2015年5月。在网上。可用：http://www.nature.com/nature/journal/v521/n7553/abs/nature14539.html
https://stackoverflow.com/questions/41410317
复制相似问题
腾讯云开发者
