Python scikit神经网络中的反向传播和神经网络结构

我正在尝试使用框架学习神经网络，我知道关于神经网络的基础知识，现在尝试使用scikit learn实现它。但我对两点感到困惑

1-下面给出的NN的结构是什么？不知何故，在我感觉到的一些例子中，有些人不把输入层作为一个层。否则，我认为这是一个2层的NN，输入层有100个节点，输出层有1个节点

from sknn.mlp import Classifier, Layer

nn = Classifier(
   layers=[
    Layer("Maxout", units=100, pieces=2),
    Layer("Softmax")],
learning_rate=0.001,
n_iter=25)

nn.fit(X_train, y_train)

2-scikit neuralnetwork是否在我上面提到的代码中进行反向传播

谢谢大家!

1。 假设

X\u列

中的每个训练示例都有M个特征，并且

y\u列

中有C类： 输入层（代码中未明确显示）有M个节点。隐藏层有100个节点。输出层有C个节点（每个节点编码每个类的分数）

二,。

.fit（）

是一种实现这一点的方法-前馈训练示例并使用反向传播训练神经网络

---

另外：也许您必须为最后一层添加

units=C

——我假设这是一个分类问题。如果您只需要一个值（分数，而不是类别标签），则使用回归器

1-在scikit neuralnetwork框架中，输入层未显示，但当我们向系统提供训练数据时，它会在后台作为一个层进行渲染

nn.fit(X_train, y_train)

例如，假设我们使用的是iris flower数据集。它有3个类，所以如果是这样的话，框架可以从y_序列中理解这一点，并且它创建了3个包含3个类的输入层

y_train = [0,0,0,1,2,]
X_train = [[ 7.1  3.   5.9  2.1]
           [ 5.9  3.   4.2  1.5]
           [ 5.5  2.4  3.7  1. ]
           [ 6.1  2.8  4.7  1.2]
           [ 5.   2.3  3.3  1. ]]

除最后一层外，所有其他层都是隐藏层。当我操作最后一层时，我看到了这个错误

    nn = Classifier(
    layers=[
            Layer("Maxout", units=100, pieces=2),
            Layer("Softmax",units=1)],   -----> if units is 3 that's ok!
            learning_rate=0.001,
            n_iter=25)
    "Mismatch between dataset size and units in output layer."
    AssertionError: Mismatch between dataset size and units in output layer.

2-更详细的解释；感谢datascience.stackexchange上的@robintibor。他在这里解释了这两个问题

---

也感谢@user7534232的回答：）

我正试图在iris flower数据集上实现这一点。此代码中的输出层是右侧的

层（“Softmax”）

？如果这是我的理解，我需要添加单位到最后一层就足够了吗<代码>图层（“Softmax”，单位=3）再想想，我不确定

units=3

：（据sknn文档中的原始示例所述，可能没有必要。我很久没有使用sknn了，现在无法回忆。请先尝试不使用它，然后打印属性

classes\uuu

，检查网络是否正确识别数据集中的所有类。谢谢您的帮助！@user7534232完成后：您可以编写这是对你有用的东西，这样其他有同样问题的人也可以参考。我还没有实现这一点，但可以肯定的是，每当我确定答案时，我都会发布它：）再次感谢你