Algorithm 如何构造一个具有1个输入（矩阵N*N）和2个输出的NN的正确隐藏层？

就像我们有一个矩阵N*N和x1-x2输出的栅格阵列。我们希望得到一个可训练的网络，使x1和x2接近我们的数据。它的隐藏层结构应该是什么样子？我想如果它不会把x1变成x2，把x2变成x1。

---

所以我想建立一个可训练的网络，以一个NxN矩阵作为输入，产生两个数字x1和x2作为输出。

隐藏层的结构没有它们包含的神经元数量重要

通常，可以使用具有1或2个隐藏层的完全连接的网络。1个隐藏层可以解决大多数问题，但2个隐藏层可以确保NN可以近似任何可能的功能。理论上没有理由使用两个以上的隐藏层

隐藏层中神经元的数量将决定神经网络的精确度。你拥有的神经元越多，你就越接近这个函数。但是更多的神经元意味着你的神经网络中有更多的变量，所以你需要一个更大的训练集。您也更有可能过度拟合您的训练数据：为了避免这种情况，请使用单独的训练集和测试集来监控何时发生过度拟合

---

因此，答案实际上取决于数据集的大小。越大越好，你能拥有的神经元越多，你的神经网络就越精确。为了从实验上找出你应该使用多少个神经元，你可以尝试使用不同的数字来评估得到的神经网络。

无意冒犯，但这几乎是不可理解的。您希望构建一个可训练的网络，该网络以NxN矩阵作为输入，并生成两个数字x1和x2作为输出。这是正确的吗？是的，这是正确的Beta=主要问题是我需要如何创建神经元来吃掉N*N矩阵？恐怕我不理解你的问题。。。你能重新表述吗？