Machine learning 神经网络中的单位是什么（反向传播算法）

请帮助我理解神经元网络中的单位事物。从书中我了解到，输入层中的一个单元表示训练元组的一个属性。然而，目前还不清楚它到底是如何做到的

图如下：

关于输入单元有两条“思考路径”。第一种可能是X1代表attr1，X2代表attr2。。。否则，可能是X1、X2和X3代表attr1，但X1代表值X3代表值。值为三个。所以，在最起码的情况下，如果attr1=Value.Value\u TWO，那么它会加权并同时馈送到第二层

公共类元组
{
私人价值属性1
私人价值属性2
私人价值属性3
}
公共枚举值
{
价值观，
二,，
价值三
}

第二个问题是关于隐藏层单位。如何决定隐藏层中的单位数量，以及它们在模型中代表什么？

这些“单位”只是浮点值

在那里发生的所有计算都是向量乘法，因此可以使用矩阵乘法和GPU硬件很好地并行化

一般计算如下所示：

double v phi(double[] x, double[] w, double theta) {
  double sum = theta;
  for(int i = 0; i < x.length; i++)
    sum += x[i] * w[i];
  return tanh(sum);
}

双vφ（双[]x，双[]w，双θ）{
双和=θ；
对于（int i=0；i

---

除了你不想自己在Java代码中这样做。您希望在GPU上以并行方式执行此操作，因为这样会快100倍。

据我所知，x[]是元组属性的数字表示，w[]是其连接的权重，但我仍然不知道如何从元组属性派生x[I]。假设输入数据是数字。您可以尝试使用诸如male=0、female=1之类的编码。这很有意义，因此属性（x[]）必须是有序的。输入层中的单元数等于具有元组的属性数。但是，仍然不清楚隐藏层的单位，我应该如何定义那里的单位数量。在我使用的书中的图表上，隐藏层的单位数量较少，这是没有意义的。这取决于你的领域。通常，每个级别中的隐藏单元比输入层中的隐藏单元少，因为您需要抽象。但NNs似乎在应用于例如维数远高于所需的图像数据时效果最佳。