如何处理神经网络的输出？答案

【问题标题】：How to work with an output of a neural network?如何处理神经网络的输出？
【发布时间】：2016-07-11 00:09:35
【问题描述】：

我对神经网络很陌生，我正在尝试用 python 制作一个小型网络。但由于我是新手，我不知道如何缩放和比较输出。所以这是我的问题。

我给出的输入是这样的列表

input = [0,0,1]
desired output = 4

所以我做了所有的神经网络编码，数据通过网络后，网络使用 sigmoid 函数输出一个介于 -1,+1 之间的数字。如何缩放输出以计算所需输出为 4 的误差？

这可能是一个愚蠢的问题，但我是机器学习的新手。谢谢

【问题讨论】：

将验证数据重新调整为介于 -1 和 1 之间且均值为零的标准化数组不是更好吗？
@Alessandro 验证数据是指输入？那么这里的输入数据是一个列表，它只有0和1，比如[1,1,0]或[0,1,0]等，标准化输入会有什么好处吗？
不，我的意思是输出，我假设你希望你想要的输出是 4，因为你有一些数据，你已经知道输出要与之比较。因此，重新调整您已经知道能够比较的输出可能很有用。
@AChampion 目前我只有 1 个输出节点，但我在想有多个输出节点就像你描述的那样，我想知道我是否可以这样做只有一个输出节点，因为多个节点可能会使事情变得复杂？

标签： python machine-learning neural-network

【解决方案1】：

在这种特定情况下，您可能需要一个线性输出节点（即不是 sigmoid）。假设这是一个回归问题（如果不是，请参见下文）。通常，如果 NN 不应该“更难”预测更高的值，则您需要一个线性输出节点。

大多数机器学习模块都允许您进行设置。

Sigmoid 输出节点主要用于分类问题（因为神经网络越来越“难”预测接近 1 的值，这是 100% 确定的类）

如果这是一个分类问题，通常神经网络在每个类都有一个输出节点时表现更好（所以对每个类使用一个 sigmoid 输出节点，它的输出值对应于 NN 认为样本属于该特定的机会类）。

【讨论】：

【解决方案2】：

这不是一个愚蠢的问题。您想要做的是将您想要的输出标准化为您的网络输出范围内（或反向并扩大网络输出，但规范是相反的）。

因此，将您的数据通过类似以下的函数：

def normalize_values(list_of_values, desired_min=-1., desired_max=1.):
    min_val = min(list_of_values)
    max_val = max(list_of_values)
    range = max_val - min_val
    scale = (desired_max-desired_min)/range
    return [((x-min_val)*scale)+desired_min for x in list_of_values)]

【讨论】：

能否请您把方程式写成易于理解的格式？和 I = Imin + (Imax-Imin)*(X-Dmin)/(Dmax-Dmin) 一样吗？