Python Keras神经网络中的输入节点

我正试图创建一个基于虹膜数据集的神经网络。我有四个维度的输入

X=dataset[：，0:4].astype（float）

。然后，我创建了一个具有四个节点的神经网络

model = Sequential()
model.add(Dense(4, input_dim=4, init='normal', activation='relu'))
model.add(Dense(3, init='normal', activation='sigmoid'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

据我所知，我将每个维度传递给单独的节点。四维-四个节点。当我创建一个有8个输入节点的神经网络时，它是如何工作的？性能仍然与使用4个节点时相同

model = Sequential()
model.add(Dense(8, input_dim=4, init='normal', activation='relu'))
model.add(Dense(3, init='normal', activation='sigmoid'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

---

您上次激活时出错。使用

softmax

而不是

sigmoid

并再次运行

替换

model.add(Dense(3, init='normal', activation='sigmoid'))

与

---

要回答您的主要问题“这是如何工作的？”：

从概念的角度来看，您最初创建的是一个具有3个层的完全连接或密集的神经网络：具有4个节点的输入层、具有4个节点的隐藏层和具有3个节点的输出层。输入层中的每个节点与隐藏层中的每个节点都有连接，与输出层中的隐藏节点相同

在第二个示例中，您刚刚将隐藏层中的节点数从4增加到8。一个更大的网络可能是好的，因为它可以被训练“查找”数据中的更多内容。但层太大，可能会过度贴合；这意味着网络记住了太多的训练数据，而实际上它只需要对训练数据有一个大致的了解，这样它仍然可以识别稍微不同的数据，即测试数据

您可能没有看到性能提高的原因可能是过度装配或您的激活功能；在隐藏层中尝试relu以外的函数。在尝试了几个不同的函数组合后，如果没有看到任何改进，则可能是拟合过度

---

希望这能有所帮助。

您可以将神经元的数量设置为任意数量，它仍然可以工作

model.add(Dense(3, init='normal', activation='softmax'))