tensorflow中全连接网络的输出

在这段代码中，完全连接层的输出被给出为1024，但我无法理解这个“1024”是从哪个计算中产生的，我也无法从tensorflow文档中找到任何令人满意的答案。以及这个输出大小如何影响预测结果。

---

提前感谢。

在本例中，1024是完全连接/隐藏层的尺寸。wd1有一个到1024的扇出，然后返回到10个输出类。因此，正如深度学习中经常发生的那样，1024不是计算的结果，而是一个超参数

像1024这样的数字通常有点经验性，这取决于数据和目标

总的来说，我认为这个问题有太多的枝节，无法简明扼要地回答。我将在受限和假设的背景下回答这个问题：卷积网。您描述的网络类型通常具有隐藏层，其节点数超过目标类数（这是一个分类器，对吧？）

在您的例子中，最后一个隐藏层有1024个节点，超过了10个输出类。需要号码吗？这取决于您的数据量、多样性等。如果没有上下文和目标，这个数字并不意味着什么

---

我们通常至少可以确信：这个数字高于输出类。这样，网络就能够存储“大量”的特征来描述类。然后，输出层将这些功能作为输入，并计算组合，直至达到预期的类数。

实际上，当我更改此数字时，分类结果会更改。有时，当我增加此数字时，我有时效率更高。因此我无法理解应该使用哪个值。更改数字会影响结果。运行几次——记住所涉及的随机过程。想象一下，你有一块窗帘，想把它铺在沙发上。你想让窗帘尽可能地跟随你的沙发形状，只需把它铺在沙发上，让它盖住即可。你可以得到很好的结果，但是会有起伏。ML有点相似，这就是为什么术语像拟合和过度拟合。在你的经验和聪明才智的指引下，很多尝试都失败了。除此之外，请查看Hinton关于如何选择NN层的在线建议。

weights = {

# 5x5 conv, 1 input, 32 outputs

'wc1': tf.Variable(tf.random_normal([5, 5, 1, 32])),
`# 5x5 conv, 32 inputs, 64 outputs`

'wc2': tf.Variable(tf.random_normal([5, 5, 32, 64])), 

# fully connected, 7*7*64 inputs, 1024 outputs
'wd1': tf.Variable(tf.random_normal([7*7*64, 1024])), 
 # 1024 inputs, 10 outputs (class prediction)



'out': tf.Variable(tf.random_normal([1024, n_classes])) 


}