哪种方法理论上最好？
Which method should theoretically be best?
假设我想使用神经网络识别我的角色。让我们把它缩减为 5 个字母，图像的二进制形式为 16x16，输入 + 2 层网络，两层内的单极函数。学习过程中使用动量反向传播。
以下哪种方法应该给出最好的结果（其中 x 是第一层中的神经元数量）？最好的意思是正确识别的最高百分比。速度不是这个问题的一个因素。
- 单个网络，256;x;5 - 价值最高的神经元获胜。
- 5 个网络，256;x;1 - 每个网络都有自己的字母，每个输出都经过阈值测试，可能会发生 2 个或更多网络将图像识别为 "their own"
- 同上，但是现在每个网络的输出都归一化了（如果a,b,c,d,e是输出，那么a = a / (a+b+c+d+e); b = b / (a+b+c+d+e) 等等)
2 是最糟糕的选择，因为“2 个或更多网络将图像识别为 "their own"”肯定会发生很多次，之后您如何区分它们？ 1 会工作得很好。 3 是 softmax 输出函数背后的基本思想，softmax 通常最适合分类任务，尤其是与交叉熵误差函数结合使用时。
假设我想使用神经网络识别我的角色。让我们把它缩减为 5 个字母，图像的二进制形式为 16x16，输入 + 2 层网络，两层内的单极函数。学习过程中使用动量反向传播。
以下哪种方法应该给出最好的结果（其中 x 是第一层中的神经元数量）？最好的意思是正确识别的最高百分比。速度不是这个问题的一个因素。
- 单个网络，256;x;5 - 价值最高的神经元获胜。
- 5 个网络，256;x;1 - 每个网络都有自己的字母，每个输出都经过阈值测试，可能会发生 2 个或更多网络将图像识别为 "their own"
- 同上，但是现在每个网络的输出都归一化了（如果a,b,c,d,e是输出，那么a = a / (a+b+c+d+e); b = b / (a+b+c+d+e) 等等)
2 是最糟糕的选择，因为“2 个或更多网络将图像识别为 "their own"”肯定会发生很多次，之后您如何区分它们？ 1 会工作得很好。 3 是 softmax 输出函数背后的基本思想，softmax 通常最适合分类任务，尤其是与交叉熵误差函数结合使用时。