Machine learning Can神经网络输出数字>；1.
通常在训练网络从给定数据中选择两个值时，Machine learning Can神经网络输出数字>；1.,machine-learning,neural-network,deep-learning,artificial-intelligence,Machine Learning,Neural Network,Deep Learning,Artificial Intelligence,通常在训练网络从给定数据中选择两个值时，2我注意到的事情 1。）每个决策使用两个输出神经元，并通过偏向具有较高值的神经元，做出+ve决策 2.针对某个阈值（例如0.5）的每个决策都有一个神经元，因此通过检查神经元是否输出值=0.5来做出+ve决策 比如说，人们希望网络根据输入数据进行预测，比如每次从给定图像预测形状的质心，除了使输出神经元成为可能的结果数（这肯定是由于x，Y值对可能导致的像素总数x2） 具体来说，如何使输出神经元激发，例如（432,50）作为质心在这种情况下说可能的质心（X，Y）
20.50.5x，Y2具体来说，如何使输出神经元激发，例如（
432,50X，Y0450如果您的输出与输入在同一范围内，则通过缩放输入的多少来确定，也将通过缩放输出的多少来告诉您。您的问题包含两个部分 1.）神经网络能像奶奶一样学习概念吗。答案是肯定的，但是，所采取的方法通常与您所描述的不同。ML的分支称为表征学习。简单来说，典型的概念如下：用一个向量来描述所有的概念。向量的每个条目对应于神经网络的一个神经元。然而，概念并不能直接映射到单个神经元上。有人可以强制执行，但这毫无意义 2.）神经网络可以预测数字。实际上，就像在另一个答案中一样，您可以使用输出规范化——这是将目标值映射到数字范围0-1，然后进行反规范化。然而，这有一个缺点，那就是神经网络需要很长时间才能收敛到极值。另一种更简单的方法是使用神经网络进行回归。其思想基本上是在输出层中不使用像relu这样的挤压函数，而是使用例如线性激活函数。 例如，以下函数使用Keras预测
irisiris = load_iris()
idf = pd.DataFrame(data= np.c_[iris['data'], iris['target']],
columns= iris['feature_names'] + ['target'])
X = idf[["sepal length (cm)","sepal width (cm)","target"]] #this is ugly including class not ordinal
Y = idf[["petal length (cm)","petal width (cm)"]]
model = Sequential()
model.add(Dense(8, input_dim=3,
activation='relu'))
model.add(Dense(16, activation='softmax'))
model.add(Dense(2, activation='linear'))
model.compile(loss='mse', optimizer='adam', metrics=['mae'])
model.fit(X.values, Y.values, epochs=1000, verbose=1)
Yp = model.predict(X.values)
#print([Y.iloc[:,0],Y.iloc[:,1],Y.iloc[:,0]-Yp[:,0],Y.iloc[:,1]-Yp[:,1]])
plt.scatter(Y.iloc[:,0].values,
Y.iloc[:,1].values)
for (x,y,dx,dy) in zip(Y.iloc[:,0].values,
Y.iloc[:,1].values,
(Y.iloc[:,0].values-Yp[:,0]),
(Y.iloc[:,1].values-Yp[:,1])):
#print(str(x)+" "+str(y)+" "+str(dx)+" "+str(dy))
plt.arrow(x,y,dx,dy)
plt.show()
您可以让0和1表示数值的二进制位置。假设你有10个输出神经元，那么你可以得到2^10（1024）的值。或者，您可以让十进制值表示1000个乘数，这意味着0.5表示500，1.0表示1000等。您应该了解NN的工作原理，检查：（请特别参阅线性回归）您提到的设置范围不是因为节点，而是因为节点上的激活，也就是说，softmax或Sigmoid或其他类似的函数本身的范围为0到1，如果您不使用激活，那么您的结果将不会受到限制。如果您偶然发现这个问题而没有任何满意的答案，请检查，我不太明白您的答案。我明白你的意思了，如果范围是从0到500，我应该将输出缩放500。因此，如果输出为0.999，这就是
0.999*500X（0.689）Y（0.42）X（500*0.689=345）Y（500*0.42=210）3452100.689,0.42