Machine learning 神经网络评价与拓扑
我的目标是用神经网络解决异或问题。我读过无数关于多层神经网络背后的理论、证明和数学的文章。这个理论是有道理的(数学…不是很多),但我有几个关于神经网络的评估和拓扑结构的简单问题 我觉得我很接近解决这个问题,但我开始质疑我的拓扑和评估技术。撇开反向传播的复杂性不谈,我只想知道我的评估方法是否正确。考虑到这一点,以下是我的问题:Machine learning 神经网络评价与拓扑,machine-learning,neural-network,topology,Machine Learning,Neural Network,Topology,我的目标是用神经网络解决异或问题。我读过无数关于多层神经网络背后的理论、证明和数学的文章。这个理论是有道理的(数学…不是很多),但我有几个关于神经网络的评估和拓扑结构的简单问题 我觉得我很接近解决这个问题,但我开始质疑我的拓扑和评估技术。撇开反向传播的复杂性不谈,我只想知道我的评估方法是否正确。考虑到这一点,以下是我的问题: 假设我们有多个输入,每个输入是否都有自己的节点?我们是否将两个值都输入到一个节点中?我们输入此信息的顺序是否重要 在评估图形输出时,每个节点是否在获得值后立即触发?或者我们
4) 哪些节点要连接到哪些其他节点取决于您。由于您的网络不会过大,XOR是一个相当简单的问题,因此将一层中的所有节点连接到下一层中的所有节点(即完全连接的神经网络)可能是最简单的方法。在其他问题中,可能有一些特殊情况下,最好不要使用这种拓扑结构,但没有一种简单的方法来解决它(大多数人要么使用试错法,要么使用遗传算法,就像在NEAT中一样),您无需为此问题担心。感谢您的快速响应和良好信息!虽然问题很简单,但你会惊讶于这种类型的东西有多少没有真正定义清楚:)我很感谢你的回答。通过使用整洁的方式,通过变异引入的新(隐藏)节点没有被划分为级别。结果是隐藏节点的连接方式可能存在循环/循环/重复。在评估过程中如何处理这个问题?有趣的是:这是唯一一个演示如何将神经网络进化为异或门的演示