Machine learning 神经网络中不同类的不同权重及其学习后的使用

我用反向传播算法训练了一个神经网络。我手动运行网络30次，每次都更改输入和所需输出。结果是传统分类器的结果

我尝试了三种不同的分类。因为我用每个类别的10个输入运行了30次网络，我最终得到了3个不同的权重，但同一个分类的权重非常相似，误差非常小。因此，该网络证明自己已经成功地学习了

我的问题是，既然学习已经完成，我有3种不同类型的权重（每个分类1个），我如何在常规前馈网络中使用这些权重，以便它能够自动分类输入。我四处搜索，想看看你是否能算出重量的平均值，但看起来这是不可能的。有人提到：

在反向传播学习过程中，我是否做错了什么？或者，在学习过程结束后，是否需要为不同的班级使用不同的权重来完成额外的步骤

我想象这一点的一种方式是实现一个常规的前馈网络，它将具有所有这3种类型的权重。将有3个输出，对于任何给定的输入，其中一个输出神经元将触发，这将导致给定的输入映射到该特定类

网络架构如下所示：

3个输入，2个隐藏神经元，1个输出神经元

---

提前感谢

如果每次只在神经网络中训练一个类，这是没有意义的，因为隐藏层可以进行权重组合来“学习”输入数据可能属于哪个类。单独学习将使权重独立。如果给出新的测试输入，网络将不知道使用哪个学习权重

使用一个向量作为输出来表示三个不同的类，并一起训练数据

编辑

---

另外，我认为你提供的链接帖子与你的案例无关。这篇文章中的问题来自神经网络训练中不同的权重初始化（随机）。有时，人们会申请使权重学习可重复以避免此类问题。

如果每次只在神经网络中训练一个类，则没有意义，因为隐藏层可以进行权重组合，以“学习”输入数据可能属于哪个类。单独学习将使权重独立。如果给出新的测试输入，网络将不知道使用哪个学习权重

使用一个向量作为输出来表示三个不同的类，并一起训练数据

编辑

---

另外，我认为你提供的链接帖子与你的案例无关。这篇文章中的问题来自神经网络训练中不同的权重初始化（随机）。有时，人们会申请使权重学习重现，以避免出现此类问题。

除了nikie的响应外，另一种可能性是将输出表示为一个（唯一的）具有连续值的输出单元。例如，如果输出在[0,1）区间内，则ann分类为第一类，如果输出在[1,2）区间内，则分类为第二类，如果输出在[2,3]区间内，则分类为第三类。该体系结构以文字形式声明（并在我的经验中得到验证）为了降低3个神经元的离散表示的效率。

除了nikie的响应外，另一种可能性是将输出表示为一个（唯一的）具有连续值的输出单元。例如，如果输出在[0,1）区间内，则ann分类为第一类，如果输出在[1,2）区间内，则分类为第二类，如果输出在[1,2）区间内，则分类为第三类[2,3]。该体系结构以文字形式声明（并以我的经验验证）为了降低用3个神经元进行离散表示的效率。

AFAIK，这种分类问题的典型结构将有3个输出神经元，第一类的训练结果为

1,0,0

，第二类的训练结果为

0,1,0

，第三类的训练结果为

0,0,1

隐藏层。前馈分类可以选择结果最高的输出神经元。（你没有对你的网络结构说太多，所以这可能是你正在做的。如果是这样，请澄清你的问题。）你是说这应该在学习过程中完成吗？在我的例子中，反向传播网络只有一个输出单元，因为我想保持它的简单。这样我只提供了输入和所需的输出。然后我验证了不同类的权重实际上是不同的。AFAIKr这样的分类问题将有3个输出神经元，第一类的训练结果为

1,0,0

，第二类的训练结果为

0,1,0

，第三类的训练结果为

0,0,1

。这些类“共享”隐藏层。前馈分类可以只选择结果最高的输出神经元。（您对人际网络的结构没有说太多，所以这可能是您正在做的事情。如果是，请澄清您的问题。）你是说这应该在学习过程中完成吗？在我的例子中，反向传播网络只有1个输出单元，因为我想保持简单。这样我只提供了输入和所需的输出。然后我验证了不同类的权重实际上是不同的。正如@nikkie还提到的mentio如上所述，单独在不同的类上进行训练是没有意义的。您需要3个输出神经元，并将3个类的训练数据输入到输入节点。当然，您需要的输入节点数量与您的输入变量数量相同。如果您有足够多的隐藏节点，并且您正确地进行了训练，那么NN至少会取得一些成功在3个输出节点中单独输出不同的值