多输出分类神经网络如何工作？
How would a multiple output classification neural network work?
我目前了解并制作了一个解决异或问题的简单神经网络。我想制作一个用于数字识别的神经网络。我知道使用 MNIST 数据我需要 784 个输入神经元、15 个隐藏神经元和 10 个输出神经元 (0-9)。
但是，我不明白如何训练网络以及前馈如何与多个输出神经元一起工作。
例如，如果输入是数字 3 的像素，网络将如何确定选择哪个输出神经元以及在训练时，网络将如何知道哪个神经元应与目标值相关联。
如有任何帮助，我们将不胜感激。
所以你有一个 class 多个输出的化问题。我假设您正在为输出层使用 softmax 激活函数。
网络如何确定选择哪个输出神经元：简单，最有可能成为目标的输出神经元class。
网络将使用标准反向传播进行训练，该算法与只有一个输出的算法相同。
只有一个区别：激活函数。
对于二进制 class 化，您只需要一个输出（例如，数字 0 和 1，如果概率 < 0.5，则 class 为 0，否则为 1）。
对于多class class化，每个class需要一个输出节点；那么网络将选择成为目标的概率最大的节点 class.
我目前了解并制作了一个解决异或问题的简单神经网络。我想制作一个用于数字识别的神经网络。我知道使用 MNIST 数据我需要 784 个输入神经元、15 个隐藏神经元和 10 个输出神经元 (0-9)。
但是，我不明白如何训练网络以及前馈如何与多个输出神经元一起工作。
例如，如果输入是数字 3 的像素，网络将如何确定选择哪个输出神经元以及在训练时，网络将如何知道哪个神经元应与目标值相关联。
如有任何帮助，我们将不胜感激。
所以你有一个 class 多个输出的化问题。我假设您正在为输出层使用 softmax 激活函数。
网络如何确定选择哪个输出神经元：简单，最有可能成为目标的输出神经元class。
网络将使用标准反向传播进行训练，该算法与只有一个输出的算法相同。
只有一个区别：激活函数。 对于二进制 class 化，您只需要一个输出（例如，数字 0 和 1，如果概率 < 0.5，则 class 为 0，否则为 1）。
对于多class class化，每个class需要一个输出节点；那么网络将选择成为目标的概率最大的节点 class.