脚本形式的神经网络 - 页 11 1...4567891011121314 新评论 [删除] 2008.07.02 10:34 #101 "层中神经元数量的变化" 层中的神经元数量 1.相同。 2.不同。 a) 数量上逐层增加。 b) 从一层到另一层的减少。 c) 增加（减少）比率？ --- 2008.07.02 10:38 #102 Neutron писал (а)>> 输入的数量与训练样本的大小（模式的数量）的乘积应该等于NS权重的平方。 我对这个数字有点害怕。这甚至是正常运行的最低数量还是最佳数量？ 换句话说，如果我在输入端给了一个20个值的向量，并且向量的总数至少为50000，这意味着网中的权重数必须不低于Sqrt(20*50000)=1000？对吗？ --- 2008.07.02 10:42 #103 Andy_Kon的问题稍作调整。 我见过按照波浪原理组织网络的例子。例如，20-50-10-1或20-40-1。就是说，中间有一个网络的扩展。(隐藏层的神经元数量比输入层大几倍）。 通过对我的网格的测试，我得出的结论是，神经元的隐藏层越多，学习就越顺利，而结果是在输出上有点涂抹。例如，如果是20-20-1，那么该网络就能更敏锐地找到解决方案，并在输出端产生敏锐的数值。 例如，如果根据输入神经元的数量，隐蔽层中神经元的最佳数量的任何理论和实践原则。 谢谢你。 Neutron 2008.07.02 10:46 #104 Andy_Kon писал (а)>> "层中神经元数量的变化" 层中的神经元数量 1.相同。 2.不同。 a) 数量上逐层增加。 b) 从一层到另一层的减少。 c) 增加（减少）比率？ 嗯，我给了一个定理的链接，根据这个定理，一个隐藏层就足够了。 这就是为什么所有列举的问题都自然消失。另一件事是，如果你决定使用非线性主成分法降低输入的维度，或使用具有竞争层的混合NS...但是，问题也必须是适当的。 sergeev 写道(a)>> 我有点被这个数字吓到了。这甚至是正常运行的最低数量或最佳数量吗？ 也就是说，如果我取一个20个值的向量，并且向量总数至少为50000，这意味着整个权重网络应该包含不少于Sqrt（20*50000）=1000？这样做对吗？ 正确。 这里有Ezhov和Shumsky的书 "神经计算 "的链接，其中对这个问题进行了浅显的研究（理解）。 TheXpert 2008.07.02 10:47 #105 Andy_Kon писал (а)>> 网络的维度和 "分层 "与模式（patters）的数量有什么关系？ 1.隐蔽层必须比输入层至少大1个元素，否则隐蔽层的信息会被压缩，这对结果完全没有帮助。 2.考虑到要调整的参数数量。如果参数的数量超过了模式的数量，你就有可能得到一个过度训练的网络。一定有更多的模式。你可以在网络学习时减少网络的大小。 TheXpert 2008.07.02 10:49 #106 sergeev писал (а)>> Andy_Kon的问题稍作调整。 我见过按照波浪原理组织网络的例子。例如，20-50-10-1或20-40-1。就是说，中间有一个网络的扩展。(隐藏层的神经元数量比输入层大几倍）。 通过对我的网格的测试，我得出的结论是，神经元的隐藏层越多，学习就越顺利，而结果是在输出上有点涂抹。例如，如果是20-20-1，那么该网络就能更敏锐地找到解决方案，并在输出端产生敏锐的数值。 例如，如果根据输入神经元的数量，隐蔽层中神经元的最佳数量的任何理论和实践原则。 谢谢你。 更好的是，20-21-1 --- 2008.07.02 10:51 #107 TheXpert писал (а)>> 或者更好的是，20-21-1 顺便说一句，我还注意到，隐藏层并没有使神经元的数量成为输入层的倍数。>> 为什么？ TheXpert 2008.07.02 10:59 #108 Neutron писал (а)>> 嗯，我给了一个定理的链接，说一个隐藏层就够了。 因此，上述所有问题自然消失。另一件事是，如果你决定使用非线性主成分法降低输入的维度，或使用具有竞争层的混合NS...但是，问题必须是适当的。 尽管如此，许多问题都是由5层perseptron解决的，该定理的存在并不意味着3层perseptron就是万能的。 哪个更好 -- 使用5-6-6-2网络或3层的5-25-2的替代？这样一个大的数字很可能对适当的非线性起作用。 顺便问一下，你知道XORa最趋同的架构吗？ 0 ---- \ \ 0 ----0 ---> / / 0 ---- 4个中间的神经元------正弦波 TheXpert 2008.07.02 11:00 #109 sergeev писал (а)>> 顺便说一下，我还注意到，隐藏层的神经元数量不是输入层的倍数。>> 为什么？ 根据我的经验，离输入端越近越好。对于20个输入端来说，21个是最佳的。 --- 2008.07.02 11:12 #110 TheXpert писал (а)>> 在我的实践中，越靠近输入端越好，21--最佳为20个输入端。 嗯......有什么办法可以总结出这个最佳方案吗。而关于5层和3层的，我也想知道。理论在哪里？ 1...4567891011121314 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
"层中神经元数量的变化"
层中的神经元数量
1.相同。
2.不同。
a) 数量上逐层增加。
b) 从一层到另一层的减少。
c) 增加（减少）比率？
输入的数量与训练样本的大小（模式的数量）的乘积应该等于NS权重的平方。
我对这个数字有点害怕。这甚至是正常运行的最低数量还是最佳数量？
换句话说，如果我在输入端给了一个20个值的向量，并且向量的总数至少为50000，这意味着网中的权重数必须不低于Sqrt(20*50000)=1000？对吗？
Andy_Kon的问题稍作调整。
我见过按照波浪原理组织网络的例子。例如，20-50-10-1或20-40-1。就是说，中间有一个网络的扩展。(隐藏层的神经元数量比输入层大几倍）。
通过对我的网格的测试，我得出的结论是，神经元的隐藏层越多，学习就越顺利，而结果是在输出上有点涂抹。例如，如果是20-20-1，那么该网络就能更敏锐地找到解决方案，并在输出端产生敏锐的数值。
例如，如果根据输入神经元的数量，隐蔽层中神经元的最佳数量的任何理论和实践原则。
谢谢你。
"层中神经元数量的变化"
层中的神经元数量
1.相同。
2.不同。
a) 数量上逐层增加。
b) 从一层到另一层的减少。
c) 增加（减少）比率？
嗯，我给了一个定理的链接，根据这个定理，一个隐藏层就足够了。
这就是为什么所有列举的问题都自然消失。另一件事是，如果你决定使用非线性主成分法降低输入的维度，或使用具有竞争层的混合NS...但是，问题也必须是适当的。
我有点被这个数字吓到了。这甚至是正常运行的最低数量或最佳数量吗？
也就是说，如果我取一个20个值的向量，并且向量总数至少为50000，这意味着整个权重网络应该包含不少于Sqrt（20*50000）=1000？这样做对吗？
正确。
这里有Ezhov和Shumsky的书 "神经计算 "的链接，其中对这个问题进行了浅显的研究（理解）。
网络的维度和 "分层 "与模式（patters）的数量有什么关系？
1.隐蔽层必须比输入层至少大1个元素，否则隐蔽层的信息会被压缩，这对结果完全没有帮助。
2.考虑到要调整的参数数量。如果参数的数量超过了模式的数量，你就有可能得到一个过度训练的网络。一定有更多的模式。你可以在网络学习时减少网络的大小。
Andy_Kon的问题稍作调整。
我见过按照波浪原理组织网络的例子。例如，20-50-10-1或20-40-1。就是说，中间有一个网络的扩展。(隐藏层的神经元数量比输入层大几倍）。
通过对我的网格的测试，我得出的结论是，神经元的隐藏层越多，学习就越顺利，而结果是在输出上有点涂抹。例如，如果是20-20-1，那么该网络就能更敏锐地找到解决方案，并在输出端产生敏锐的数值。
例如，如果根据输入神经元的数量，隐蔽层中神经元的最佳数量的任何理论和实践原则。
谢谢你。
更好的是，20-21-1
或者更好的是，20-21-1
顺便说一句，我还注意到，隐藏层并没有使神经元的数量成为输入层的倍数。>> 为什么？
嗯，我给了一个定理的链接，说一个隐藏层就够了。
因此，上述所有问题自然消失。另一件事是，如果你决定使用非线性主成分法降低输入的维度，或使用具有竞争层的混合NS...但是，问题必须是适当的。
尽管如此，许多问题都是由5层perseptron解决的，该定理的存在并不意味着3层perseptron就是万能的。
哪个更好 -- 使用5-6-6-2网络或3层的5-25-2的替代？这样一个大的数字很可能对适当的非线性起作用。
顺便问一下，你知道XORa最趋同的架构吗？
4个中间的神经元------正弦波
顺便说一下，我还注意到，隐藏层的神经元数量不是输入层的倍数。>> 为什么？
根据我的经验，离输入端越近越好。对于20个输入端来说，21个是最佳的。
在我的实践中，越靠近输入端越好，21--最佳为20个输入端。
嗯......有什么办法可以总结出这个最佳方案吗。而关于5层和3层的，我也想知道。理论在哪里？