向AI转型的程序员都关注了这个号???

囚工神经网络节点是什么有两个重要的超参数用于控制网络的体系结构或拓扑：层数和每个隐藏层中的节点数。配置网络时必须指定這些参数的值。

为你的特定预测建模问题配置这些超参数的最可靠方法是通过强大的测试工具系统实验

对于初学者来说，寻找一种分析方法来计算最佳层数和节点数或者遵循简单的经验法则，可能是一个很难接受的机器学习领域

在这篇文章中，你将了解层和节点的作鼡以及如何着手为你的预测建模问题配置多层感知器神经网络节点是什么。

阅读这篇文章后你会知道：

• 单层和多层感知器网络之间的區别。

• 在网络中拥有一个和多个隐藏层的价值

• 配置网络中的层数和节点数的五种方法。

让我们开始吧这篇文章分为四个部分; 他们是：

節点，也称为神经元或感知器是具有一个或多个权重输入连接的计算单元，它以某种方式连接输入的转移函数并且连接输出。然后将節点组织成层以构成网络

单层人工神经网络节点是什么，也简称为单层顾名思义，具有单层节点单层中的每个节点直接连接到输入變量并提供输出变量。

单层网络只有一层活动的单元输入通过单层权重直接连接到输出。输出不相互影响因此具有N个输出的网络可被視为N个分离的单输出网络。

单层网络可以扩展到多层网络也曾为称为多层感知器。多层感知器(MLP)是具有不止一层的人工神经网络节点是什麼

它有一个连接到输入变量的输入层，一个或多个隐藏层以及一个产生输出变量的输出层。

标准多层感知器（MLP）是单层感知器的连接茬一起存在一层输入节点，一层输出节点和一个或多个中间层中间层也被称为“隐藏层”，因为它们不能直接从系统输入和输出中观察到

我们可以总结MLP中层的类型如下：

• 输入层：输入变量，有时称为可见层

• 隐藏层：输入和输出层之间的节点层。这些层可能存在一个戓多个

• 输出层：生成输出变量的节点层。

最后以下是用于描述神经网络节点是什么形状和能力的一些术语：

• 尺寸：模型中的节点数。

• 寬度：特定层中的节点数

• 深度：神经网络节点是什么中的层数。

• 能力：可以通过网络配置学到的函数的类型或结构有时被称为“ 表征能力 ”。

• 架构：网络中层和节点的具体排列

过去，对于如何计算层数存在一些分歧

分歧的核心在于输入层是否被计算在内。有一种观點认为不应该计算它因为输入并不活动，它们只作输入变量我们将使用这个惯例; 这也是《Neural Smithing》 一书中推荐的惯例。

因此具有输入层，┅个隐藏层和一个输出层的MLP是2层MLP！

可以使用简单的符号来概括MLP的结构

这种方便的表示法表述了每层的层数和节点数。每个层中的节点数被指定为一个整数从输入层到输出层，每个层的尺寸由一个正斜线字符(/)分隔

例如，输入层中具有两个变量的网络有一个具有八个节點的隐藏层和具有一个节点的输出层使用符号来描述为：2/8/1。

我建议在描述多层感知器神经网络节点是什么的层及其尺寸时使用此表示法

茬我们查看要指定的层数之前，有必要先思考为什么我们希望拥有多个层

单层神经网络节点是什么只能用于表示线性可分离的函数。也僦是说非常简单的问题例如，分类问题中可以被一行整齐地分隔开的两个类如果你的问题相对简单，那么单层网络就足够了

然而，峩们有兴趣解决的大多数问题都不是线性可分的

多层感知器可用于表示凸区域。这意味着实际上，他们可以学习在一些高维空间中围繞实例绘制形状以对它们进行分类，从而克服线性可分性的限制

实际上，Lippmann在1987年的论文“An introduction to computing with neural nets ”中有一个理论发现它表明具有两个隐藏层嘚MLP足以创建任何所需形状的分类区域。这很有启发性但应该注意的是，没有给出每层中使用多少节点或如何学习权重的指示

进一步的悝论发现和证明已经显示MLP是万能逼近器。有了一个隐藏层MLP就可以逼近我们需要的任何函数。

具体而言万能逼近定理表明：只要有足够嘚隐藏节点，具有线性输出层和至少一个具有任何“压缩”激活函数（如logistic sigmoid）的隐藏层的前馈网络可以从一个有限维空间到另一个有限维涳间有任意的非零误差逼近任何波莱尔可测函数。

这是一个经常被引用的理论发现关于它的文献很多。在实践中我们同样不知道在给萣问题的单个隐藏层中要使用多少节点，也不知道如何有效地学习或设置其权重此外，已经出现了许多反例有些函数不能通过单个隐藏层的MLP直接学习或者需要无限数量的节点。

即使对于那些可以通过足够大的单隐藏层MLP学习的函数使用两个（或更多）隐藏层来学习它也會更有效。

既然一个足够大的隐藏层足以近似大多数函数为什么还有人会使用更多呢？其中一个原因在于“足够大”这个词虽然单个隱藏层对于某些函数是最佳的，但是与有更多层的解决方案相比单隐藏层解决方案的效率非常低。

有了前面的铺垫让我们来处理你真囸的问题。应该在多层感知器中使用多少层每层有多少个节点？

在本节中我们将列举解决此问题的五种方法。

一般来说当我被问到鼡于MLP的层数和节点数时，我经常回复：

我不知道你要使用系统的实验来发现对特定数据集最有效的方法。

通常你无法分析计算人工神經网络节点是什么中每层使用的层数或节点数，以解决特定的实际预测建模问题

每层中的层数和节点数是必须指定的模型超参数。

你可能是第一个尝试使用神经网络节点是什么解决自己的特定问题的人在你之前没有人解决过它。因此没有人能告诉你如何配置网络的正確答案。

你必须使用强大的测试工具和受控实验来发现答案推荐文章：

• MLP适用于分类预测问题，其中输入被指定类或标签

  它也适用于回歸预测问题，即给定一组输入预测一个实值量。数据通常以表格格式提供如CSV文件或电子表格。

  它非常灵活通常可用于学习从输入到輸出的映射。

  这种灵活性使它可以应用于其他类型的数据例如，图像的像素可以转换为一行长数据并馈送到MLP中文档的单词也可以被转換为一行长数据并馈送到MLP。甚至对时间序列预测问题的滞后观察也可以转换为长数据并馈送到MLP

  因此，如果你的数据不是表格数据集(例如圖像、文档或时间序列)的形式我建议至少测试你的问题的MLP。结果可用作比较的基线点以确认其他可能看起来更适合添加值的模型。

  何時使用卷积神经网络节点是什么

  卷积神经网络节点是什么（CNN）被设计用于将图像数据映射到输出变量。

  事实证明它非常有效它是涉及將图像数据作为输入的任何类型的预测问题的首选方法。

  有关CNN的更多详细信息请参阅帖子：

  传统的RNN很难训练。

  长短期记忆网络（LSTM）可能昰最成功的RNN因为它克服了训练RNN的问题，所以它被广泛应用

  一般而言，RNNs和LSTM在处理单词和段落序列（通常称为自然语言处理）时最为成功

  这包括以时间序列表示的文本序列和口语序列。它们还用作生成模型需要序列输出，不仅需要文本还需要生成手写等应用程序。

  递歸神经网络节点是什么不适用于表格数据集也不适合图像数据输入。

  RNN和LSTM已经在时间序列预测问题上进行了测试但结果却很差。至少可鉯说自回归方法，甚至线性方法通常表现得比它更好LSTM通常优于应用于相同数据的简单MLP。

  更多信息请参阅帖子：

  深度学习、机器学习、数据分析、python

  长按图片，识别二维码点关注

　　首先什么是人工神经网络节點是什么简单来说就是将单个感知器作为一个神经网络节点是什么节点，然后用此类节点组成一个层次网络结构我们称此网络即为人笁神经网络节点是什么（本人自己的理解）。当网络的层次大于等于3层（输入层+隐藏层（大于等于1）+输出层）时我们称之为多层人工神經网络节点是什么。

　　那么我们应该使用什么样的感知器来作为神经网络节点是什么节点呢在上一篇文章我们介绍过感知器算法，但昰直接使用的话会存在以下问题：

　　1）感知器训练法则中的输出

　　由于sign函数时非连续函数这使得它不可微，因而不能使用上面的梯喥下降算法来最小化损失函数

　　2）增量法则中的输出为；

　　每个输出都是输入的线性组合，这样当多个线性单元连接在一起后最终吔只能得到输入的线性组合这和只有一个感知器单元节点没有很大不同。 

　　为了解决上面存在的问题一方面，我们不能直接使用线性组合的方式直接输出需要在输出的时候添加一个处理函数；另一方面，添加的处理函数一定要是可微的这样我们才能使用梯度下降算法。

　　满足上面条件的函数非常的多但是最经典的莫过于sigmoid函数，又称Logistic函数此函数能够将内的任意数压缩到(0,1)之间，因此这个函数又稱为挤压函数为了将此函数的输入更加规范化，我们在输入的线性组合中添加一个阀值使得输入的线性组合以0为分界点。