我必须在 Matlab (2-10-2) 中制作一个简单的 3 层神经网络。
我曾在 Matlab 中研究过卷积神经网络，并希望将其与简单的神经网络架构进行比较。
每个类有 14000 张图像，输入有两个类，输出有两个类。输入时的图像大小为 56x56=3136。
1) 如何制作 2-10-2 NN 架构。
2) 我拥有的图像也是 RGB 的，所以它的 56x56x3 所以输入矩阵将是 9408？关于输入 x 如果有两个类。对于每个类，x1 的大小为 3161x700，x2 的大小为 9408x700，x 输入的最终大小为9408x1400，标签为1x1400？
【问题讨论】：
标签： matlab machine-learning neural-network
如果您查看前馈网络MATLAB help page，就会看到这个例子：
[x,t] = simplefit_dataset;
net = feedforwardnet(10);
net = train(net,x,t);
view(net)
y = net(x);
perf = perform(net,y,t)
这几乎就是你想要的。前馈网络可以采用不同隐藏层大小的数组，所以我们可以这样做：
net = feedforwardnet([2 10 2]);
得到你想要的架构。您无需担心输入层大小或输出层大小。这些设置为“0”，并根据您在训练期间提供给网络的输入和输出（示例中为net）自动设置为正确的大小。在您的情况下，您可以将 56x56 矩阵重塑为 3136x1 向量：
x = reshape(x,3161,1);
因此，按照上面的示例，请确保您的类/目标标签位于 t 中，并且您的相应输入位于 x 中，然后您就可以开始了。
话虽如此，我不会使用这些网络之一对图像进行分类。 ConvNets 通常是要走的路。
要将输入数据（x 和 t）拆分为训练集、验证集和测试集，并让训练函数自动处理这样的泛化能力，请在训练之前执行以下操作：
net.divideFcn = 'dividerand';
net.divideParam.trainRatio = 0.7;
net.divideParam.valRatio = 0.15;
net.divideParam.testRatio = 0.15;
综合起来，我们有：
[x,t] = simplefit_dataset;
net = feedforwardnet(10);
net.divideFcn = 'dividerand';
net.divideParam.trainRatio = 0.7;
net.divideParam.valRatio = 0.15;
net.divideParam.testRatio = 0.15;
net = train(net,x,t);
view(net)
y = net(x);
perf = perform(net,y,t)
【讨论】：
feedforwardnet。 1）关于输入x如果有两个类。每个班级x1 的大小为3161x700，x2 的大小为3161x700，对吗？ 2）我们将使用多少数据进行训练和验证？我该如何划分 3）测试数据将类似于每个类的输入，如3161x100 如何进行测试？
对于 2 类分类问题，单个输出逻辑神经元就足够了。 (2-10-1) 的 NN 架构就足够了。
【讨论】：