Neural network 从支持向量机到神经网络（反向传播）

我正在研究文本识别，目前我正在使用支持向量机方法。我也想尝试一下神经网络。我读了一些关于神经网络工作原理的文件，但是这个理论相当繁重，我不知道它将如何应用到我的案例中。所以如果有人能帮我弄清楚，尤其是神经网络的架构，那就太好了。

• 目前，在SVM中，我有200个特征（分为4个主要特征） 类别），用于识别文本。如果我转到神经系统 网络，有200个特征，这是否意味着我将在输入层有200个中子
• 拥有200个功能，这将如何形成神经网络的架构 网络（以数字层（隐藏层）和 中子
• 在SVM中，我有一类分类（基本上是真的和假的）和多类分类（标签），这种差异将如何应用到神经网络的输出层

我还有几个一般性问题：

• 什么有助于确定隐藏层的数量和每个隐藏层内中子的数量
• 隐藏层的数量是否与精度有关

我是神经网络新手，如果你能以一种可以理解的方式向我解释，那就太好了。：）

---

非常感谢。

第1点-它将是200个输入神经元，每个神经元被输入一个二进制数或一个浮点（最好在-1到1的范围内标准化）

第2点/第4点-大多数问题通过单个隐藏层解决。当然，如果你从神经网络开始，你应该坚持一个隐藏层。我还建议从少于200个输入神经元开始，尝试5个或10个。多个隐藏层用于复杂问题，例如，第一个隐藏层学习狗、猫、马等宏观特征，下一个隐藏层学习眼睛、鼻子、耳朵等更精细的特征

没有确定的程序来决定隐藏神经元的数量。理论上，问题越复杂，它需要的隐藏神经元就越多。如果你有10个输入神经元，从20个隐藏神经元开始。如果它不起作用，其他地方可能出了问题。如果它确实有效，你可以减少隐藏神经元的数量，直到它失败。
你也可以从低到高

第3点-对于正确和错误分类，使用单个输出神经元，并使用0或1对其进行训练。对于n个类，使用n个编码中的1个

---

第5点-否。准确度是通过网络的泛化程度来衡量的——即，它对以前从未见过的数据的表现。一般来说，更多的训练数据=更准确。

Hi，例如，如果我有200个特征（02个类别，每个类别包含100个特征），我想使用2个隐藏层。那么输入层将有200个中子，那么按照你的建议，每个隐藏层应该从200或400个中子开始？非常感谢。