时间戳

首页 > 解决方案 > 我的神经网络向量输入大小需要匹配输出大小吗？

neural-network - 我的神经网络向量输入大小需要匹配输出大小吗？

问题描述

我正在尝试使用神经网络进行二元分类。它由三层组成。第一层有 3 个输入神经元，隐藏层有 2 个神经元，输出层有 3 个输出二进制值 1 或 0 的神经元。实际上输出通常是浮点数，但通常会四舍五入为整数数字。

如果网络只输出 3 的向量，那么我的输入向量不应该是相同的大小吗？否则，对于分类，您如何将输出映射到输入？

我根据以下文章使用 VBA 在 Excel 中编写了神经网络：https ://www.analyticsvidhya.com/blog/2017/05/neural-network-from-scratch-in-python-and-r/ 到目前为止完全按照文章中的描述工作。我目前无法访问机器学习库，所以我选择尝试一下。

例如：

如果网络的输出是 [n, n ,n]，这是否意味着我的输入数据也必须是 [n, n, n]？

从我在这里读到的：神经网络输入/输出

似乎这就是它应该的方式。不过我不完全确定。

标签： neural-networkdata-science

解决方案

简单来说，对于回归任务，您的输出通常具有维度[1]（如果您预测单个值）。

对于分类任务，您的输出应该具有与您拥有的类数相同的维度数（输出是概率，它们的总和 = 1）。

因此，没有必要具有相同的输入和输出维度。NN 只是一个维度到另一个维度的投影。

例如，

  • 回归，我们预测房价：输入是[1, 10]（对房产的特征），输出是[1]- 价格
  • 分类，我们预测类（将被出售或不出售）：输入是[1, 11]（相同的特征+上市价格），输出是[1, 2]（类的概率0（不会出售）和1（将被出售）；例如[1; 0]，，[0; 1]或[0.5; 0.5]等等; 是二分类)

此外，输入输出维度的相等性存在于更具体的任务中，例如，自动编码器模型（当您需要在其他维度中呈现数据然后将其表示回原始维度时）。

同样，输出维度是 1 个批次的输出大小。只有一个，而不是整个数据集。

推荐阅读