我的神经网络向量输入大小需要匹配输出大小吗？答案

【问题标题】：Does my Neural Net Vector Input Size Need to Match the Output Size?我的神经网络向量输入大小需要匹配输出大小吗？
【发布时间】：2019-01-17 14:23:38
【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，它的工作原理与文章中描述的完全一样。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]，那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：Neural net input/output

看起来应该是这样的。不过我不完全确定。

【问题讨论】：

我认为你有一个很大的误解，神经网络的输入和输出不必是相同的大小，例如，要将 32x32 图像分类为 10 类，你有一个输入32x32，输出 10 个元素。
那么，如果你有一个 32x32 的输入和一个 10 个元素的输出，如何将输出映射到输入呢？我想这就是我不明白的。似乎如果输出与输入向量的大小不同，您将无法分类。
将输出映射到输入是什么意思？通常的神经网络将输入映射到输出。
我想我明白你的意思，网络内部将输入映射到输出。但在外部，我不明白的是这个；在我的特殊情况下，网络输出一个 1 x 3 的向量。我不知道这意味着什么？这如何告诉我它预测的是哪个类？
嗯，你必须设计你的网络来适应你的数据，包括输入和输出的维度，所以对我来说 1x3 向量没有任何意义，因为我不知道你打算使用什么数据对于训练，您提到了二元分类，但这不是用 3 个输出神经元完成的。需要详细信息。

【解决方案1】：

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，输入和输出的维度没有必要相等。 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]（到属性的特征），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]（相同的功能+上市价格），输出是[1, 2]（类的概率0（不会出售）和@987654327 @（将被出售）；例如[1; 0]、[0; 1]或[0.5; 0.5]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，不是整个数据集。

【讨论】：