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
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
1回答
神经网络的问题
、、
我在使用神经网络时遇到了一些问题。我对隐藏层使用非线性激活函数，对输出层使用线性函数。在隐藏层中增加更多的神经元应该会增加神经网络的能力，使其更适合训练数据/在训练数据上具有更少的误差。
然而，我看到了一个不同的现象。即使在训练集上，添加更多的神经元也会降低神经网络的准确性。
这是平均绝对误差随着神经元数量的增加而变化的图表。训练数据的准确性正在下降。这可能是什么原因呢？
是不是我使用的matlab的nntool将数据随机分成训练集、测试集和验证集，用于检查泛化而不是使用交叉验证。
此外，我可以看到许多-ve输出值添加神经元，而我的目标应该是积极的。这会是另一个问题吗？
我无法在这里解释
浏览 3提问于2013-09-05得票数 1
2回答
我一直在用神经网络做一些研究，整个概念和理论对我来说是有意义的。虽然我还没有找到答案，但有一个问题是，一个神经网络应该使用多少个神经元。取得适当的/有效的结果。包括隐层，每个隐层的神经元，等等。更多的神经元需要更准确的结果(同时对系统造成更大的负担)，还是更少的神经元仍然足够？是否有某种管理规则来帮助确定这些数字？它是否取决于在神经网络中实现的训练/学习算法的类型。它是否取决于向网络显示的数据/输入的类型？
如果能更容易地回答这些问题，我很可能会使用前馈和反向传播作为训练和预测的主要方法。
另外，是否有一种预测算法/触发规则或学习算法通常被重新划分为“最佳/最实用”，或者这也取决于向网络显示的
浏览 4提问于2012-06-25得票数 5
我想训练一个神经网络与神经网络包在R-但不使用偏置节点。
我想我应该在某种程度上使用exclude参数，但我不知道如何使用。
我的问题
例如，如何训练一个有6个输入神经元、3个隐藏神经元和7个输出神经元的模型--但没有任何偏置神经元？
浏览 2提问于2016-11-16得票数 3
回答已采纳
1回答
我正在尝试将trainbr训练函数用于我的神经网络字符识别项目。如何选择此函数的参数和迭代次数？另外，如何划分用于训练、验证和测试的数据？我已经看过了nn工具箱文档。但我正在努力理解其中的参数。
浏览 2提问于2014-03-12得票数 0
1回答
我被赋予一个目标函数来设计神经网络和训练：(y = (x1∧x2)∨(x3∧x4))
输入数和输出数似乎很明显(4和1)。训练数据可以使用真值表。
然而，为了训练成一个多层人工神经网络，我需要选择多个隐藏单元。我可以知道在哪里可以找到一些一般的指导方针吗？
谢谢!
浏览 0提问于2015-03-04得票数 4
3回答
我正在尝试使用神经网络来学习以下功能。
📷
📷
我总共有25个特点和19个产出。上面的图像显示了两个特征相对于其中一个输出的分布情况。该神经网络包含7个层，256个神经元具有漏神经网络的激活。最后一层是线性层。问题是输出太陡，而神经网络在峰值上有很大的误差。如何修改目标变量或神经网络，使其在峰值上产生一个较小的平均绝对误差(基本上使下面的误差图变平)？下面是错误图
📷
我试过但没用的东西-
使用日志转换目标变量。
增加神经网络的规模，希望一个足够大的神经网络能够适应任何情况，但训练损失仍然很大。
使用平均绝对，均方和百分比损失，我在这里问了同样的问题，https://stats.stackex
浏览 0提问于2022-09-22得票数 1
1回答
我已经用Python为多层、前馈、反向传播结构的神经网络编写了代码。在这个网络结构中，输入层有24个节点，隐藏层有18个节点，输出层有1个节点。对于小数据集，我得到了很好的训练结果，但对于大数据输入，我无法设置学习率、动量率等恒定参数的值。我将输入值的输入样本设置为：
[[1,0,1,0,1,0,1,0,1,1,1,1,0,0,0,0,0,1,1,1,0,1,0,1]
[1,0,1,0,1,0,1,0,1,1,1,1,0,0,0,0,0,1,1,1,0,1,0,1]
[1,0,1,0,1,0,1,0,1,1,1,1,0,0,0,0,0,1,1,1,0,1,0,1]
.
. ......
浏览 1提问于2014-10-16得票数 0
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
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
据我的教授说，神经网络建模的第一步之一就是使用一个足够强大的模型。
第一步是创建一个足够强大的模型，至少在不使用规则化的情况下，能够在培训数据上实现非常高的精度(非常低的损失)。
除了调整和调整学习速度之外，我还能做些什么来使我的模型“强大”，换句话说，让它适应训练数据？
我用以下的东西看正确的方向吗？
添加额外的层
使层更厚(更多的神经元)
浏览 0提问于2020-02-25得票数 4
2回答
好的，让我在序言中说，我很清楚这取决于许多因素，我正在寻找一些有经验的人的一般指导方针。
我的目标是而不是，建立一个能为我计算数字平方的神经网络，但我认为这将是一个很好的实验，看看我是否正确地实现了反向传播算法。这看起来是个好主意吗？无论如何，我担心我没有正确地实现学习算法(完全)。
我的测试(结果)：
训练数据：使用.001和.999随机生成500个随机数
网络拓扑结构：3层有1个输入神经元，5个隐神经元，1个输出神经元
权重:所有生成的-1到1之间的随机值(java.util.Random.nextDouble() *2-1；)
使用偏置节点：(numOfInputs +
浏览 5提问于2015-06-06得票数 3
1回答
我试图理解神经网络中的偏见，但是不同的网站给出了不同的答案。
例如，一个具有5个单元的单输入层和4个单元的输出层的完全连接的神经网络中存在多少偏差？那么，一个具有5个单元的单输入层、4个单元的单个隐层和3个单元的输出层的完全连接的神经网络又如何呢？
例如，如果我正确地理解了这一点，https://ai.stackexchange.com/questions/17584/why-does-the-bias-need-to-be-a-vector-in-a-neural-network，第一个的答案应该是5，对于第二个4+ 3，除了输入层中的每个神经元都有一个偏差。
然而，在https://aye
浏览 0提问于2020-04-12得票数 1
回答已采纳
下面的段落是从教科书Hands-On Machine Learning with sci-kit learn & Tensorflow中挑选出来的。我不明白作者想传达什么。如果有人能用一个例子来解释下面的段落，那将是非常感激的。我提到了这些链接深度神经网络中的辍学问题，https://www.coursera.org/lecture/deep-neural-network/dropout-regularization-eM33A，它们在某种程度上与相同的目标保持一致。不过，我正在寻求很好的解释。请帮帮我。
假设p= 50%，在这种情况下，在测试过程中，一个神经元将连接到训练期间(平均)
浏览 0提问于2019-01-20得票数 8
回答已采纳
2回答
我有一个神经网络，是用来做反向传播的。
我一直在使用下面的代码来更新隐藏层的权重
Δwji =η×δj×yi
其中δj是φ'( vj ) * ej，其中vj=Σi wjiyi，对于输出层，对于前几层是φ'(vj) * sum(δk*wkj)
但是，隐藏单位的其中一个偏差总是无穷大。它的意思是什么？
编辑：
无穷大的值被证明是来自某些神经元的输入值vj。因此，这意味着我的神经网络只是强化了一个事实，即特定的神经元应该总是被激发？
这是否也意味着我在训练时缺乏这些特定输入的各种示例？
浏览 0提问于2011-10-20得票数 2
回答已采纳
2回答
我使用完全连接的神经网络来识别"mnist“。
我的网络有784个输入神经元，一个隐层由1569个神经元组成，一个输出层由10个神经元组成。
我有两个问题：
我使用乙状结肠和公式的错误误差=输出* (1 -输出)*(目标输出)。问题是，如果输出神经元为1，且所需值为0，则该错误= 0，但它是错误的，不是吗？
如果隐藏层中的神经元加权和变得太大，结果是1，那么使用乙状结肠是否正确？初始化权重的值是什么？
浏览 3提问于2015-06-06得票数 0
2回答
训练一个很大的神经网络
、、、、
我必须训练一个非常大的前馈神经网络来进行模式识别。
网络有10,000个输入神经元，200个输出神经元，隐藏层有5100个神经元。函数x/ (1 + abs(x))作为激活函数。
培训数据集的大小为10万。
问题是训练神经网络需要很长的时间，这使得神经网络的精细调整非常耗时。
我提出了两个改进培训成绩的可能办法：
将隐藏层的大小缩小到500到1000之间。这将大大减少所需的乘法运算数。然而，我不确定这样的减少是否会损害识别的准确性。
得到一个高性能的矩阵乘法库(甚至引入OpenCL/CUDA)，目前只实现了简单的矩阵乘法，这比一个经过仔细调整的矩阵乘法要慢。
还有更好的选择吗？
浏览 2提问于2014-05-23得票数 0
回答已采纳
在二进制分类的上下文中，我使用具有1个隐藏层的神经网络，使用tanh激活函数。输入来自word2vect模型，并且经过了标准化。
分类器的准确率在49%-54%之间。
我使用了一个混淆矩阵来更好地理解发生了什么。研究了输入层特征个数和隐含层神经元个数对分类精度的影响。
我从混淆矩阵中观察到的事实是，模型根据参数预测，有时大多数线是正的，有时是负的。
有什么建议是这个问题发生的原因吗？还有哪些其他点(除了输入大小和隐藏层大小)可能会影响分类的准确性？
谢谢
浏览 0提问于2017-01-15得票数 0
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
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
实时音视频
即时通信 IM
对象存储活动推荐
腾讯云开发者
