如何在训练后向神经网络模型添加更多神经元/过滤器？
在训练后向神经网络模型添加更多神经元/过滤器是一种常见的模型优化技术，可以帮助提升模型的性能和准确度。下面是一种常见的方法：
- 神经网络模型结构： 在深度学习中，神经网络模型通常由多个层组成，包括输入层、隐藏层和输出层。隐藏层通常包含多个神经元或过滤器，用于提取输入数据的特征。
- 训练模型： 在训练模型之前，需要确定模型的初始结构和参数。通过使用训练数据集进行反向传播算法的迭代优化，可以调整模型的权重和偏置，以最小化损失函数。
- 添加更多神经元/过滤器： 如果在训练后发现模型的性能不够理想，可以考虑添加更多的神经元或过滤器来增加模型的容量。这样可以增加模型对输入数据的表达能力，提高模型的准确度。
- 扩展隐藏层： 一种常见的方法是在隐藏层中添加更多的神经元或过滤器。这可以通过在现有层后面添加新的层来实现，或者通过增加现有层中的神经元数量来实现。添加更多的神经元或过滤器可以增加模型的非线性能力，提高模型的拟合能力。
- 调整输入层： 另一种方法是调整输入层的大小。如果输入数据的维度较高，可以考虑使用降维技术，如主成分分析（PCA）或特征选择，来减少输入层的维度。这样可以降低模型的复杂度，并提高训练和推理的效率。
- 注意事项：
在添加更多神经元/过滤器时，需要注意以下几点：
- 模型的容量不宜过大，以免导致过拟合问题。可以通过交叉验证等技术来评估模型的性能。
- 添加更多的神经元/过滤器可能会增加模型的计算和存储需求。需要确保计算资源和存储资源的可用性。
- 添加更多的神经元/过滤器可能会增加模型的训练时间。可以考虑使用分布式训练或加速硬件（如GPU）来加快训练过程。
推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云AI Lab：https://cloud.tencent.com/product/ailab
- 腾讯云机器学习平台：https://cloud.tencent.com/product/tensorflow
- 腾讯云深度学习工具包：https://cloud.tencent.com/product/tensorflow
- 腾讯云GPU服务器：https://cloud.tencent.com/product/cvm_gpu
- 腾讯云弹性计算服务：https://cloud.tencent.com/product/cvm
相关·内容
2回答
我了解如何建立和训练如下所示的神经网络，以及那些低水平的特性/过滤器。我想知道这些高级特征是什么:你是如何从经过训练的神经网络中获得它们的？(这些像“特征面”吗？)
📷
注:图像是由NVIDIA，我不知道具体的分类问题在这里。如果需要的话，假设网络被训练来区分人和猫。
浏览 0提问于2018-01-19得票数 1
回答已采纳
在描述CRAN项目()中的nnet时，它说nnet适合于单个隐藏层：
Description: Fit single-hidden-layer neural network, possibly with skip-layer connections
我是否可以使用nnet指定隐藏层的数量？我的理解是，我选择的隐藏层和隐藏层中的神经元数量是可以改变的参数，以改进模型。它真的可以帮助模型添加/删除隐藏层吗？或者，单层神经网络和多层神经网络是否有单独的应用领域？
我是安的新手。我正在研究一个训练样本数为55000×54的分类模型。提前感谢！
浏览 1提问于2017-08-11得票数 1
回答已采纳
我想训练一个神经网络与神经网络包在R-但不使用偏置节点。
我想我应该在某种程度上使用exclude参数，但我不知道如何使用。
我的问题
例如，如何训练一个有6个输入神经元、3个隐藏神经元和7个输出神经元的模型--但没有任何偏置神经元？
浏览 2提问于2016-11-16得票数 3
回答已采纳
在训练神经网络时，内部层和内部节点的默认数目是多少？
我的数据有62个观测数据和大约200个预测器。我有一个有两个类的目标变量，实现了一个不重复的一个内部层和一个内部节点的神经网络。另外，我尝试了两个内部层，其中5个内部节点在一个，2个内部节点在第二层。我想要找到的准确性，首先，对默认值，然后我将尝试优化模型的性能。
在神经网络训练模型中，选择层数和内节点数的标准是什么？在随机森林的情况下，我们可以选择大致相等于预测器数目的平方根。
浏览 0提问于2017-08-12得票数 4
回答已采纳
1回答
斯里瓦斯塔瓦，辛顿等人认为，“辍学也可以有效地应用于隐层，可以解释为模型平均的一种形式”，“用丢包训练神经网络可以看作是训练一组具有广泛权重分担的2^n细化网络”。
首先，我可以直观地看到辍学是一种模型平均的形式。在训练的每一个时期，神经元值被随机地设置为0。这类似于在每一个时代都有不同的神经网络(有不同数量的隐神经元被禁用)。这被解释为模型平均有数学原因吗？
第二:第二个引文中的2^n是从哪里来的？
浏览 0提问于2022-11-30得票数 0
2回答
输出神经元比标签多？
、、、、
当我们训练一个分类问题的神经网络模型，我们通常有一个密集的输出层的大小等于我们有标签的数量。
如果图层尺寸较大，则模型仍可进行训练和输出。
我们如何解释这样的产出？有申请吗？
浏览 0提问于2019-07-16得票数 1
是否有已知的方法在神经网络缩小或增长时(按节点数、连接数等)进行持续训练和优雅退化？
据我记忆所及，我所读到的关于神经网络的一切都是从静态的角度看的。你定义了网络，然后训练它。
如果有N个节点(神经元)的神经网络X，是否有可能对网络(X)进行训练，以便在N增加或减少时，网络仍然有用并能够执行？
浏览 4提问于2016-07-17得票数 4
回答已采纳
2回答
最近，我尝试使用Matlab内置神经网络工具箱来完成我的分类问题。但是，我有一些关于参数设置的问题。
a.隐藏层中神经元的数目：
本页面上的示例显示了一个两层(即一个隐藏层和一个输出层)的前馈神经网络。在本例中，它使用隐藏层中的10个神经元。
net = patternnet(10);
我的第一个问题是如何为我的分类问题定义最佳的神经元数目？我是否应该使用交叉验证的方法来获得一个训练数据集中表现最好的神经元数量？
有选择三层或多层神经网络的方法吗？
在神经网络工具箱中，我们可以使用许多不同的训练方法。可以在找到一个列表。该页面提到，最快的培训功能通常是“培训”；但是，一般说来，哪一种培训效果最
浏览 2提问于2014-04-07得票数 0
1回答
我需要使用反向传播神经网络将卫星图像分类为3类。
有没有人能帮我在matlab中实现这个功能？
如何对具有多幅图像的神经网络进行训练和分类？
浏览 1提问于2013-02-20得票数 2
1回答
我使用神经网络来解决一个二元分类问题(是或否)。我的训练数据集没有那么大(39,000项记录)。在使用SMOTE来平衡目标之后，我有50个输入变量，它们都是数字的。有3个隐层，分别有100个、50个、10个神经元。当我训练神经网络，我得到一个非常不同的结果，在准确性，AUC，和混淆矩阵。为什么要这样做，我能做些什么来改进我的模型？
更新:我的班(是或否)不是不平衡的，因为我用击打来平衡它。一开始是非常不平衡的。我的意思是，每次我训练的时候，都会得到不同的结果。
浏览 0提问于2019-05-12得票数 -1
1回答
神经网络的问题
、、
我在使用神经网络时遇到了一些问题。我对隐藏层使用非线性激活函数，对输出层使用线性函数。在隐藏层中增加更多的神经元应该会增加神经网络的能力，使其更适合训练数据/在训练数据上具有更少的误差。
然而，我看到了一个不同的现象。即使在训练集上，添加更多的神经元也会降低神经网络的准确性。
这是平均绝对误差随着神经元数量的增加而变化的图表。训练数据的准确性正在下降。这可能是什么原因呢？
是不是我使用的matlab的nntool将数据随机分成训练集、测试集和验证集，用于检查泛化而不是使用交叉验证。
此外，我可以看到许多-ve输出值添加神经元，而我的目标应该是积极的。这会是另一个问题吗？
我无法在这里解释
浏览 3提问于2013-09-05得票数 1
4回答
OCR训练前馈神经网络
、、、、
目前，我正在学习神经网络，我试图创建一个应用程序，可以训练识别手写字符。对于这个问题，我使用了前馈神经网络，当我训练它识别1，2或3个不同的字符时，它似乎是有效的。但是，当我试图让网络学习超过3个字符时，它将停滞在40 %- 60%左右的错误百分比。
我尝试了多层和更少/更多的神经元，但我似乎不能正确，现在我想知道一个前馈神经网络是否能够识别出这么多的信息。
一些统计数字：
网络类型：前馈神经网络
输入神经元:使用 100 ( 10 * 10)网格绘制字符
输出神经元：字符数量
有人知道我的架构可能有什么缺陷吗？输入神经元太多了吗？前馈神经网络不具备字符识别能力吗？
浏览 10提问于2012-03-13得票数 11
回答已采纳
1回答
据我的教授说，神经网络建模的第一步之一就是使用一个足够强大的模型。
第一步是创建一个足够强大的模型，至少在不使用规则化的情况下，能够在培训数据上实现非常高的精度(非常低的损失)。
除了调整和调整学习速度之外，我还能做些什么来使我的模型“强大”，换句话说，让它适应训练数据？
我用以下的东西看正确的方向吗？
添加额外的层
使层更厚(更多的神经元)
浏览 0提问于2020-02-25得票数 4
1回答
我在Tom Mitchell的“机器学习入门”一书中读到了一个项目的想法。这个项目是关于确定脸部的方向(左，右，下，直)。我使用自己开发的神经网络，它可以工作(使用XOR，抛物线函数进行测试)，但训练得不够好，无法正确确定它们。我得到的最好的情况是43%的正确，这是相当低的。
以下是该项目的描述：
图像32 x 30，灰度(我使用13人x 32图像作为训练示例，4人x 32图像用于测试)。
神经网络:3层-输入、隐藏、输出
32 x 30个输入单元
3个隐藏单元，使用Sigmoid作为传递函数
1个输出单元，使用线性作为传递函数。
出: 0.2 =左；0.4 =下；0.6 =右；0.8直
学习
浏览 0提问于2012-09-06得票数 0
回答已采纳
我正在训练一个多标签分类问题的神经网络，所以我的最后一层由n_classes乙状结肠神经元组成。
现在，我知道，这是不可能的学习任务，因为噪音和缺乏可预测的力量在我的特点。然而，我假设可预测的力量应该足以做出好的预测，至少对一些数据点是这样的。即使这些案例只是少数几个，如果神经网络至少获得了那些肯定(高精度)，并错过了绝大多数，因为他们的困难(低回忆)，我会很高兴。
当然，我可以正常地训练模型，然后设定与我的目标相匹配的门槛，但这并不能让我信服。我想在培训过程中介绍这一目标。如果有些地方很难分类，我希望我的神经网络在训练过程中发现，忘记它们，把注意力集中在其他更可行的案例上。
到目前为止，我唯
浏览 0提问于2020-05-03得票数 1
我正在学习卷积神经网络。我对CNN的一些层次感到困惑。
关于ReLu..。我只知道它是一个无限逻辑函数的和，但是ReLu没有连接到任何上层。为什么我们需要ReLu，它是如何工作的？
关于Dropout...dropout是如何工作的？我听了G. Hinton的视频演讲。他说，有一种策略，在训练权重时随机忽略一半的节点，并在预测时将权重减半。他说，它的灵感来自随机森林，其工作原理与计算这些随机训练模型的几何平均值完全相同。
此策略是否与dropout相同？
有人能帮我解决这个问题吗？
浏览 2提问于2014-12-06得票数 17
回答已采纳
1回答
我正在训练一个卷积神经网络来分类雾条件下的图像(3类)。然而，对于大约150.000张图像，我还提供了四个气象变量，它们可能有助于预测图像的类别。我想知道如何将气象变量(如温度、风速)添加到现有的CNN结构中，以便有助于分类。
我已经想到的一种方法是在CNN旁边创建另一个(小的)前馈神经网络，然后将CNN层的输出和非图像神经网络的隐藏层在密集层相互连接。
我能想到的第二种方法就是将这些特征与致密层联系起来。然而，在这种情况下，非图像变量(我认为)只能进行线性预测。
是否有其他(更好的)方法可以将非图像特征包括在模型中？考虑到我拥有的数据量，什么是最好的方法？
我的另一个问题是，是否应该解冻卷积
浏览 0提问于2018-05-08得票数 23
回答已采纳
我用python训练了一个单层神经网络模型(一个没有keras和tensorflow的简单模型)。canI如何在训练后将其与权重一起保存在python中，以及稍后如何加载它？
浏览 0提问于2019-03-11得票数 5
1回答
我试图提高我的CNN模型的速度，我使用的方法是移除体系结构中的一些卷积层，并且模型的精度与我的数据集几乎一样。
在训练模型之前，我想知道有什么方法可以分析数据集的卷积层数吗？还有其他方法来分析模型有多少滤波器足够吗？
浏览 5提问于2020-02-25得票数 3
回答已采纳
2回答
我有一个有结构的神经网络:7个输入神经元，3个输出神经元。
在互联网上，当隐藏层上的神经元数量是第一层神经元数的1.5 ~2倍时，效果最好。也就是说，在我的例子中，它将是14。我正在使用一种再静默传播训练方法来教网络在C#。
训练周期约为100 K。我真的得到了更好的结果-我有更多的隐藏神经元！不仅仅是数量的2倍，而是输入层数量的6倍。换句话说，目前共有44个隐神经元被定义！一切都在好转。
我开始觉得这里有什么不对劲..。隐神经元计数将如何影响网络的有效性？
我可以继续增加数量..。50.60..70我刚开始的时候只有11兆位，这样的训练结果很糟糕。请给出一个解释为什么更高的隐藏神经元计数提供
浏览 5提问于2015-04-10得票数 2
回答已采纳
3回答
我有一个卷积神经网络，我修改了结构。我没有时间重新训练和执行交叉验证(网格搜索最优参数)。我想直观地调整学习速度。
在下列情况下，我是否应该增加或降低RMS (基于SGD)优化器的学习速率：
我给完全连接的层增加了更多的神经元？
在卷积神经网络中，我在完全连接之前去掉了一个次采样(平均或最大池)层，并且增加了特征映射和softmax输出之间的完全连接单元的数量(这样就有更多的权值连接到顶部完全连接的神经元)？
浏览 7提问于2015-12-27得票数 9
回答已采纳
2回答
我训练了一个深度学习模型，将给定的图像分类为三类。现在我想在我的模型中再添加一个类。我试着检查“在线学习”，但它似乎是针对现有课程的新数据进行的培训。我是否需要在所有四节课上重新训练我的整个模型，还是有任何方法可以让我的模型在新的课堂上得到训练？
浏览 10提问于2019-12-08得票数 7
回答已采纳
2回答
并行神经网络
、、、、
我试图以这样的方式制作并行神经网络：
创建网络和培训集
将训练集分成N个部分(每个线程一组)
向每个线程发送网络副本和部分培训数据。
在每个线程上训练网络
组合N个网络中的网络神经元权重(每个线程)
如果不结束，条件转到3。
我的问题是:如何将神经网络的权重组合成一个？
浏览 3提问于2015-10-17得票数 2
3回答
我正在做我的最后一个项目。我选择实现一个用于字符识别的神经网络。
我的计划是将包含26个英文字母的26张图像作为训练数据，但我不知道如何将这些图像转换为我的神经网络的输入。
假设我有一个具有两层的反向传播神经网络-一个隐藏层和一个输出层。输出层有26个神经元，产生26个字母。我自己创建了26个图像(大小为100*100像素的24位bmp格式)，每个图像都包含一个英文字母。我不需要做图像分割，因为我是图像处理的新手，所以你们能给我一些关于如何在Matlab中将图像转换为输入向量的建议(或者我需要做边缘，形态学或其他图像预处理的东西吗？)
非常感谢。
浏览 1提问于2011-10-21得票数 0
回答已采纳
2回答
我的数据集大小是800个音频文件，现在我想构建一个用于音频分类的人工神经网络。我在第一层给了64个神经元，在第二层给了36个神经元。在一个神经网络中会有特定数量的神经元通过吗？输入形状为(826，12)，模型的输出为二进制输出。
浏览 0提问于2020-01-08得票数 0
1回答
我正在尝试建立一个只有一个隐藏层的小型神经网络。我希望在训练之前，模型会输出随机的值。但是对于所有的输入，我得到1.0作为输出。为什么会这样呢？ import tensorflow as tf
from tensorflow import keras
import numpy as np
def NewModel():
return keras.Sequential([
keras.layers.Dense(20, input_shape=(18,), activation=tf.nn.relu, name="inputLayer"),
keras.la
浏览 15提问于2018-12-30得票数 0
回答已采纳
我是机器学习的新手，也是神经网络的新手。目前我正在coursera.org上一门关于神经网络的课程，但我并不是什么都懂。我的论文有点问题。我应该使用神经网络，但我不知道如何为我的问题选择正确的神经网络架构。
我有很多来自门户网站的数据(通常是报纸、杂志的网络版)。有关于文章的信息，例如，文章的名称、文章的文本和文章的发布。还有大量的序列数据捕获用户的行为。
我的目标是预测一篇文章的受欢迎程度(读者数量或唯一用户点击文章的次数)。我想用这些数据来做向量，然后用这些向量来给我的神经网络提供信息。
我有两个问题：
1.如何创建正确的向量？
2.哪种神经网络体系结构最适合这个问题？
浏览 4提问于2015-03-16得票数 1
回答已采纳
1回答
我正忙着用java做一个有三个输入的基本神经网络，一个隐藏层有两个隐藏神经元和一个输出神经元，我以前做了一个较小的有三个输入和一个输出但没有隐藏层的神经网络，其中我使用了一些基本的微积分进行反向传播，并且使用公式(预测-目标)^2来计算成本。这两个神经网络都不使用像sigmoid这样的激活函数，因为它们预测一个值，而不是二进制输出。
当我试图用隐藏层训练更大的NN时，我的问题就出现了。我在第一个方法中使用的基本微积分方法不起作用。
有人能告诉我如何用隐藏层训练神经网络吗？(数学公式)
浏览 0提问于2017-09-21得票数 0
1回答
我想设计和训练一个神经网络，用于在一些显微图像中对边缘的自动识别。首先，我将使用Keras，稍后我可能会考虑PyTorch。
图像的结构比较简单，有一些暗区，还有一些清晰区域，比较容易分辨，任务是在黑暗区域和清晰区域之间选择轮廓的像素。在黑暗和清晰之间的过渡是渐进的，所以我的结果不是一行边缘像素，而是一个10或15像素宽的边缘“带状”。
我手动注释了200多张图片，所以对于每一幅图像，我有另一幅图像，大小相同，其中等高线的像素是黑色的，所有其他像素都是白色的。
我已经看过许多关于如何设计、编译和拟合模型(神经网络)以及如何使用人工注释的数据测试模型的教程。
然而，大多数教程都涉及分类问题，其中
浏览 3提问于2021-06-07得票数 0
回答已采纳
利用matlab训练二值分类神经网络模型，给出了在隐层中使用20个神经元得到的图。交叉熵与年代之间的混淆矩阵和图。
为了防止模型中的过度拟合，损失图中的训练曲线应该与验证曲线相似。
但在目前的情况下，第三张图显示了验证曲线与训练相似的曲线，尽管与上述曲线中两条曲线的分叉曲线相比，总体精度较低。
WHy，这是正在发生的，我在理解这些曲线时做错了什么？
📷
📷
📷
📷
浏览 0提问于2018-05-19得票数 3
2回答
我一直在阅读有关前馈人工神经网络(ANN)的文章，通常它们需要训练来修改其权重，以实现期望的输出。当接收到相同的输入时，它们也将始终产生相同的输出(生物网络不一定)。
然后我开始阅读关于进化神经网络的文章。然而，进化通常涉及将两个父母的基因组重新组合成一个新的基因组，没有“学习”，而是通过适应度测试进行真正的重组和验证。
我在想，人类的大脑管理着自己的连接。它创造了联系，加强了一些，削弱了另一些。
有没有一种神经网络拓扑可以做到这一点？一旦神经网络有了不良反应，要么相应地调整它的权重，要么可能创建随机的新连接(我不确定大脑是如何创建新连接的，但即使我没有，创建新连接的随机突变机会也可以缓解这种
浏览 4提问于2013-01-05得票数 7
回答已采纳
2回答
我使用8层完全连接的神经网络(tensorflow)训练MNIST，得到了如下结果。我能知道为什么测试损失在20年代之后增加了吗？这是因为过度适应吗？这些是网络配置：
L1: 1600 neurons
L2: 800 neurons
L3: 400 neurons
L4: 200 neurons
L5: 100 neurons
L6: 60 neurons
L7: 30 neurons
L8: 10 neurons
Optimizer: Adam (learning_rate = 0.001)
activation function: Relu
batch size: 64
dropout r
浏览 1提问于2018-03-27得票数 0
回答已采纳
2回答
我是Keras的新手。在训练阶段，如何打印中间层或最终层的输出？
我正在尝试调试我的神经网络，并想知道这些层在训练过程中的行为。为了做到这一点，我试图在训练过程中为每一步精确地输入和输出一层。
常见问题解答()有一个方法来提取中间层的输出，以构建另一个模型，但这不是我想要的。我不需要使用中间层的输出作为其他层的输入，我只需要将它们的值打印出来，也许还可以用图形/图表/可视化的方式。
我使用的是Keras 2.1.4
浏览 0提问于2018-03-26得票数 10
回答已采纳
1回答
在卷积神经网络(CNN)中，选择了一种滤波器进行权值分担。例如，在下面的图片中，选择了一个具有步长(相邻神经元之间的距离)1的3x3窗口。
因此，我的问题是：如何选择窗口大小？，如果我使用4x4的步幅为2，会造成多大的差异？提前谢谢！
浏览 3提问于2017-10-31得票数 8
回答已采纳
这个问题与有关。
来自
蓝色大脑计划是一种通过反向工程将哺乳动物大脑降至分子水平来创造合成大脑的尝试。..。使用运行Michael的神经元软件的蓝色基因超级计算机，模拟并不是简单的人工神经网络，而是涉及到一个生物上真实的神经元模型。
“如果我们建造得正确，它就应该像人类一样说话、有智慧和行为举止。”
我的问题是软件是如何内部工作的。如果它“涉及一个生物上真实的神经元模型”，这与一个神经网络有什么不同，为什么神经网络不能很好地模拟生物大脑，而这个项目能够做到呢？神经元软件在仿真中是如何使用的呢？
最后，如果这个问题不属于这里，我很抱歉(也许BioStar StackExchance会是一
浏览 4提问于2011-02-05得票数 5
回答已采纳
1回答
我在训练我的神经网络来对图像中的某些东西进行分类。我裁剪40x40像素图像，并将其归类为某个对象或非对象。因此它有1600个输入神经元，3个隐层(500,200，30)和一个输出神经元，必须说1或0。我使用库。
我不能用QuasiNewtonMethod来训练它，因为它在算法中使用了一个大的矩阵，而且它不适合我的记忆。所以我使用GradientDescent，ObjectiveFunctional是NormalizedSquaredError。
问题在于，通过训练，它会溢出权重，并且神经网络的输出对于每个输入都是INF或NaN。
而且，我的数据集太大了(当它在CSV中时大约是800 my )，
浏览 0提问于2012-09-03得票数 0
我们是否需要在神经网络中进行验证，因为神经网络并不总是收敛到相同的答案？我从来没有听说过回归或集成学习等模型中的验证集。我们完全交叉验证我们的数据集。将其划分为k重训练集和测试集。然而，对于神经网络，我们还需要一个从训练集中提取的验证集。现在我知道为什么我们需要在神经网络中使用验证集了。我需要知道的是，为什么我们不做同样的步骤，比如说逻辑回归。
浏览 0提问于2014-11-14得票数 0
1回答
我的数据集有150个自变量和10个预测器或响应。问题是找到输入和输出变量之间的映射。有1000个数据点，其中70%用于培训，30%用于测试。我使用的是一个包含10个隐神经元的前馈神经网络，如本所解释的。我使用以下命令来评估性能
perf_Train = perform(net,TrainedData',lblTrain')
YPred = net(XTest);
perf_Test = perform(net,YPred,lblTest')
它基本上给出了训练和测试的实际和预测(估计)响应的均方误差。我的测试数据不能很好地与训练模型相适应，但是训练数据与训练数据很好地
浏览 0提问于2019-05-07得票数 0
回答已采纳
我尝试使用带有字嵌入的递归神经网络对新闻文章进行二进制分类。以下是该模型的参数：
Data:
8000 labelled news articles (Sports:Non-sports::15:85)
Parameters:
embedding size = 128
vocabulary size = 100000
No. of LSTM cell in each layer = 128
No. of hidden layers = 2
batch size = 16
epochs = 10000
Result:
AUC o
浏览 0提问于2017-01-31得票数 2
回答已采纳
在自组织映射方法中，每个输出单元称为神经元.但是，在阅读了算法的细节之后，我找不到任何逻辑回归单元，即神经网络体系结构中的神经元。我发现它更接近于find等聚类算法。
有什么解释吗?为什么SOM单位被称为神经元？以及为什么它与神经网络相关联(而ANN做的工作则完全不同，即分类)
P.S.：在本文(https://ieeexplore.ieee.org/document/6007170/)中，SOM被称为人工神经网络。以下是摘要中的一句话：
SOM是一种人工神经网络，它使用无监督数据进行训练，在单元图中生成训练样本输入空间的低维离散表示。
浏览 0提问于2018-06-04得票数 1
回答已采纳
2回答
我在上10年级，我希望在患者数据上使用机器学习模型来找到一周中的时间和患者依从性之间的相关性。我将一周划分为21个时间段，一天中的每个时间段都有三个时间段(1个是周一上午，2个是周一下午，依此类推)。依从性值将是二进制的(0表示他们没有服用药物，1表示他们服用了)。我将为我的模型模拟训练、验证和测试数据。根据我的理解，我可以使用逻辑回归模型来输出患者在给定特定时间段的过去数据的情况下错过药物治疗的概率。这是因为逻辑回归在给定阈值时会输出二进制值，并且适用于处理概率和二进制类的问题，这就是我的方案。在我的例子中，我处理的两个类是肯定的，他们会吃药，不会的。但这样做的主要问题是，这些数据将是非线
浏览 27提问于2018-12-20得票数 0
3回答
我正在尝试神经网络在角星，这首先检查是猫还是狗(基本模型)。
如果它是一只狗，那么它会经过另一种模型(子模型-1)。
如果它是一只猫，那么它会经过另一种模型(子模型-2)。
子模型是专为根据品种分类而专门训练的小模型。所以子模型-1将狗分类为各种狗的品种。。而子模型-2将猫分为不同的品种.
我面临的问题是:我不知道如何添加条件层，所以如果基模型有500万个神经元，而每个子模型有200万到200万个神经元。如果图像是通过基本模型传递的，那么它应该只通过子模型1或子模型2。因此，在传递一幅图像到最终输出时，总共只有700万个神经元在活动。
任何帮助，参考，一切都会很感激。
浏览 0提问于2019-09-09得票数 12
回答已采纳
1回答
减少输出神经元数量
、、、
我试图训练一个神经网络来控制一个字符的速度在二维。X和y在-1到1米/秒之间。目前，我把范围分割成0.1m/秒的间隔，所以我得到400个输出神经元(20x值*20y值)，如果我把精度提高到0.01，我就得到40k输出神经元。有没有办法减少输出神经元的数量？
浏览 1提问于2014-09-14得票数 0
回答已采纳
我已经在MATLAB中训练了针对特定时间序列的神经网络。在那之后，我拯救了网络。所以，如果我想用不同的参数来模拟网络，比如改变神经元的数量，隐藏层的数量，传递函数，学习比率，动量系数，我可以不需要再次训练网络就能做到吗？如果不是，为我的神经网络选择最佳参数的标准是什么？我应该如何在MATLAB中配置我的神经网络来完成所有这些工作？
浏览 3提问于2015-06-19得票数 1
这是我的场景
我使用了EMNIST数据库的英文大写字母。
我的神经网络如下
输入层有784个神经元，这是图像28x28灰度图像的像素值除以255，因此值将在0，1。
隐藏层有49个神经元与先前的784完全连接。
输出层有9个代表图像类别的神经元。
损耗函数定义为输出层的softmax的交叉熵。
将所有权值从-1，+1初始化为随机实数。
现在我为每堂课做了500 fixed samples的训练。
简单地说，通过传递500x9图像来训练函数，该函数使用backpropagation进行100次迭代，通过learning_rate*derivative_of_loss_wr
浏览 1提问于2018-02-18得票数 5
回答已采纳
2回答
我一直在用神经网络做一些研究，整个概念和理论对我来说是有意义的。虽然我还没有找到答案，但有一个问题是，一个神经网络应该使用多少个神经元。取得适当的/有效的结果。包括隐层，每个隐层的神经元，等等。更多的神经元需要更准确的结果(同时对系统造成更大的负担)，还是更少的神经元仍然足够？是否有某种管理规则来帮助确定这些数字？它是否取决于在神经网络中实现的训练/学习算法的类型。它是否取决于向网络显示的数据/输入的类型？
如果能更容易地回答这些问题，我很可能会使用前馈和反向传播作为训练和预测的主要方法。
另外，是否有一种预测算法/触发规则或学习算法通常被重新划分为“最佳/最实用”，或者这也取决于向网络显示的
浏览 4提问于2012-06-25得票数 5
2回答
在tf.device()的帮助下，我一直在我的图形处理器上使用tensorflow训练一个模型，直到现在它都工作得很好。我正在用Keras制作另一个神经网络模型，在使用model.fit时，它给了我一个面向对象的错误。
有人能指导我如何解决这个问题吗？
浏览 31提问于2020-02-13得票数 0
1回答
我有一个具有A...F特征的数据集用于训练。现在我的预测数据集预测的关键特征没有在训练集中使用的3个特征的观测值。因此，我只有一个用于预测的特征子集，而神经newtork是针对更广泛的特征进行训练的。
我该如何处理这样的问题？你能使用神经网络来处理缺失的特征吗？我的想法如下:首先，我在训练集上使用神经网络，但现在在缺失的特征上进行训练。因此，我可以预测预测数据集中缺少的3个特征。现在，我在这个新的预测数据集上使用神经网络。
浏览 3提问于2017-05-07得票数 0
2回答
我对人工神经网络和NeuroEvolution算法都很陌生。我正在尝试实现名为NEAT (增广拓扑的NeuroEvolution)的算法，但是中的描述忽略了如何进化网络权重的方法。
连接权在任何NE系统中都会发生变异，每一次连接都会受到干扰或不受影响。
我已经做了一些关于如何在NE系统中变异权重的搜索，但不幸的是，我找不到任何详细的描述。
我知道，在训练神经网络时，通常使用反向传播算法来校正权值，但只有在经过世代固定的拓扑(结构)并且知道问题的答案时，它才能起作用。在NeuroEvolution中，您不知道答案，您只有适应度函数，所以这里不可能使用反向传播。
浏览 5提问于2015-07-29得票数 20
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
云直播活动推荐
腾讯云开发者
