Artificial intelligence 有人能解释人工神经网络吗？

根据（我知道这是一个不好的来源）神经网络由

• 神经元的输入层

• 多个（B）隐藏层，每个层由C神经元组成

• “D”神经元的输出层

我理解输入和输出层的含义

我的问题是如何确定最佳的层数和每层神经元数

• 增加“B”的优点/缺点是什么
• 增加“C”的优点/缺点是什么
• 增加“B”和“C”有什么区别

---

只是时间（处理能力的限制）还是让网络更深会限制结果的质量？我应该更关注深度（更多层）还是广度（每层更多神经元）

层/节点的数量取决于分类任务和您对NN的期望。理论上，如果你有一个线性可分离的函数/决策（例如布尔AND函数），1层（即只有输入层没有隐藏层）就可以形成一个超平面，就足够了。如果函数不是线性可分的（例如布尔异或），则需要隐藏层

使用1个隐藏层，可以形成任何可能无边界的凸面区域。具有有限映射的任何有界连续函数都可以表示。更多关于这个

另一方面，2个隐藏层能够表示任意复杂的决策边界。唯一的限制是节点的数量。在典型的2隐藏层网络中，第一层计算区域，第二层计算and运算（每个超立方体一个）。最后，输出层计算OR操作

根据，所有功能都可以通过两个隐藏层网络学习，并且您永远不需要超过两个隐藏层。然而，在实践中，1-隐藏层几乎总是起作用

总之，对于线性可分函数，固定B=0，对于其他所有函数，固定B=1

至于C和B与C的关系，请看一看。它提供了一般信息，并提到了过盈、过盈

作者提出以下建议之一作为经验法则：

• 输入层的大小
• C=输入层大小的2/3，加上输出层大小
• C<输入层大小的两倍

---

答案1。一层将模拟大多数问题，或者最多可以使用两层

答案2。如果使用的神经元数量不足，网络将无法对复杂数据进行建模，结果拟合度将很差。如果使用过多的神经元，训练时间可能会过长，更糟糕的是，网络可能会过度拟合数据。当发生过拟合时，网络将开始对数据中的随机噪声进行建模。结果表明，该模型非常适合训练数据，但对新的、看不见的数据的泛化能力较差。必须使用验证来对此进行测试

美元什么是过度装修

在统计学中，当统计模型描述随机误差或噪声而不是基本关系时，就会发生过度拟合。过度拟合通常发生在模型过于复杂的情况下，例如相对于观测数量的参数太多。过度拟合的模型通常具有较差的预测性能，因为它会夸大数据中的微小波动。 过拟合的概念在机器学习中很重要。通常使用一组训练示例来训练学习算法，即已知期望输出的示例情况。假设学习者达到一种状态，在这种状态下，它还能够预测其他示例的正确输出，从而将其推广到培训期间未出现的情况（基于其归纳偏见）。然而，特别是在学习时间过长或训练示例很少的情况下，学习者可能会适应训练数据的非常特定的随机特征，这些特征与目标函数没有因果关系。在这个过度拟合的过程中，在训练示例上的性能仍然会提高，而在看不见的数据上的性能会变得更差

答案3。阅读答案1和2

---

维基百科上的监督学习文章(http://en.wikipedia.org/wiki/Supervised_learning)这将使您更深入地了解哪些因素对于任何有监督的学习系统（包括神经网络）来说都非常重要。本文讨论了输入空间的维数、训练数据量、噪声等。

这个空间可能重复吗@蒂姆：它没有谈到层的“宽度”以及深度/宽度的优点/缺点。实际上，公认的答案包括多少隐藏层（深度）和多少隐藏单位（宽度）我应该使用多少隐藏层/隐藏神经元？->我真的不明白为什么这个问题被关闭了。虽然主题线过于宽泛，但问题非常具体，任何人在开始实验nn时都会有这种感觉。这是我读过的，也是我读过的很多书中对过度拟合的最好解释。非常感谢。