应该如何构建具有 1 个输入（矩阵 N*N）和 2 个输出的正确的 NN 隐藏层？

Question

就像我们有一个由矩阵 N*N 和 x1 x2 输出的格栅阵列。我们希望得到一个可训练的网络，让 x1 和 x2 接近我们的数据。它的隐藏层结构应该是怎样的？我想如果它不会把 x1 变成 x2 和 x2 变成 x1。 所以我想构建一个可训练的网络，它以 NxN 矩阵作为输入并产生两个数字 x1 和 x2 作为输出。

Answer 1

隐藏层的结构不如它们包含的神经元数量重要。

通常，您可以使用具有 1 或 2 个隐藏层的全连接网络。 1 个隐藏层适用于大多数问题，但 2 个隐藏层确保您的 NN 可以逼近任何可能的函数。理论上没有理由使用超过 2 个隐藏层。

隐藏层中神经元的数量将决定 NN 的精确度。你拥有的神经元越多，你就越能逼近这个函数。但是更多的神经元意味着你的神经网络中有更多的变量，所以你需要一个更大的训练集。您也更有可能过度拟合训练数据：为避免这种情况，请使用单独的训练集和测试集来监控何时发生过度拟合。

所以答案实际上取决于您的数据集有多大。越大越好，你可以拥有的神经元越多，你的神经网络就越准确。要通过实验确定您应该使用多少神经元，您可以尝试不同的数字并使用cross validation 来评估获得的 NN。