C++ c+中的神经网络输出+；

我想创建一个计算神经网络输出的函数。我的NN的元素 是一个19D输入向量和一个19D输出向量。我选择了一个有50个神经元的隐藏层。我的代码如下，但我不确定它是否正常工作

double *BuildPlanner::neural_tactics(){


    norm();  //normalize input vector
    ReadFromFile();   // load weights W1 W2 b1

    double hiddenLayer [50][1];


    for(int h=0; h<50; h++){
            hiddenLayer[h][0] =0;
            for(int f = 0; f < 19; f++){

                    hiddenLayer[h][0] = hiddenLayer[h][0] + W1[h][f]*input1[f][0];
            }
    }

    double HiddenLayer[50][1];

    for(int h=0; h<50; h++){
            HiddenLayer[h][0] = tanh(hiddenLayer[h][0] + b1[h][0]);
    }

    double outputLayer[50][1];

    for(int h=0; h<19; h++){
            for(int k=0; k<50; k++){
                    outputLayer[h][0] = outputLayer[h][0] + W2[h][k]*HiddenLayer[k][0];
            }
    }

    double Output[19];

    for(int h=0; h<19; h++){

            Output[h] = tanh(outputLayer[h][0]);
    }

    return Output;
}

double*BuildPlanner:：neural_战术（）{
norm（）；//规范化输入向量
ReadFromFile（）；//加载权重W1 W2 b1
双隐层[50][1]；
对于（inth=0；h你的矩阵乘法在我看来还行，但还有其他问题--`outputLayer是50x1，但a）你只迭代前19个元素，b）你的矩阵乘法在方程的RHS上

outputLayer[h][0]=outputLayer[h][0]+W2[h][k]…

在这个元素被定义之前。这可能会导致你所有的问题。而且，尽管我假设你将
outputLayer
2维，使它们看起来像矩阵，但这完全是无缘无故的，当第二个维度的大小为1时，事情会变慢——只需将它和其他维度声明为

双输出层[50]；

因为它是一个向量，而且这些都是一维的，所以它实际上会使代码更清晰。
您可以先不硬编码所有这些大小，这样您就可以很容易地插入一些小数字并手动查看结果。是的，这是一个很好的开始。但实际上，我的问题是乘法是否按照我想要的方式工作！检查此库：outputLayer NN的输出大小为19x1。定义错误！只是忘了将50改为19！！@FereRes Ok。但当然b）是主要问题，这可以解释为什么结果“奇怪”——在这种情况下，使用未定义的值不会产生编译时或运行时错误，只会导致未定义的行为。