如何在多层感知器中使用 sigmoid 函数？
How to use a sigmoid function in multi-layer perceptron?
如果我需要 classify 提供给神经网络的对象，并且有 4 个 classes 可以选择，它如何与 sigmoid 函数一起使用？
我应该在隐藏层中有 4 个神经元，每个神经元应该对应每个 class？就像如果第一个神经元给出最大的输出，比如说 0.8，那么它就是第一个 class?
或者我应该在输出层有一个神经元，它将隐藏层的输出作为输入，将它们传递给激活函数，然后 class 验证输出，如：
if (output < 0.25) return class1;
...
if (output <= 1) return class4;
求助，我已经找了很久了，看了很多文章和书中的一些章节，但一直没有提出来，这让我很抓狂。
单热编码
classic 方法会对最后一层使用单热编码，即，如果某个项目属于四种可能中的第三种 class，那么您将对其进行编码作为向量 [0 0 1 0]，所以你的输出层将有四个神经元。
对于训练，您可能希望对输出进行归一化，使其总和为 1 - 即，如果它设法达到 return [1 2 1 0]，那么您会将其视为 [0.5 1 0.5 0].
这都是指实际的最后一层 - 隐藏层的大小几乎是任意的（并且可能比输出层大得多），并且其中的特定神经元的 "meaning" 是'规定的，是从数据中学来的。
如果我需要 classify 提供给神经网络的对象，并且有 4 个 classes 可以选择，它如何与 sigmoid 函数一起使用？
我应该在隐藏层中有 4 个神经元，每个神经元应该对应每个 class？就像如果第一个神经元给出最大的输出，比如说 0.8，那么它就是第一个 class?
或者我应该在输出层有一个神经元，它将隐藏层的输出作为输入，将它们传递给激活函数，然后 class 验证输出，如：
if (output < 0.25) return class1;
...
if (output <= 1) return class4;
求助，我已经找了很久了，看了很多文章和书中的一些章节，但一直没有提出来，这让我很抓狂。
单热编码
classic 方法会对最后一层使用单热编码，即，如果某个项目属于四种可能中的第三种 class，那么您将对其进行编码作为向量 [0 0 1 0]，所以你的输出层将有四个神经元。
对于训练，您可能希望对输出进行归一化，使其总和为 1 - 即，如果它设法达到 return [1 2 1 0]，那么您会将其视为 [0.5 1 0.5 0].
这都是指实际的最后一层 - 隐藏层的大小几乎是任意的（并且可能比输出层大得多），并且其中的特定神经元的 "meaning" 是'规定的，是从数据中学来的。