Kat sayısı ve kat başına nöron sayısını hesaplamak için nasıl bir yöntem arıyorum. Giriş olarak sadece giriş vektör boyutu, çıkış vektör boyutu ve eğitim set boyutu var.

Genellikle en iyi net farklı bir ağ topolojisi çalışıyor ve en az hata ile birini seçerek belirlenir. Ne yazık ki bunu yapmak mümkün değil.

Bu gerçekten zor bir problem.

İç yapı ağına sahiptir, daha iyi bir ağ karmaşık çözümler temsil edecek. Öte yandan, çok fazla iç yapısı yeni veri için genelleme ağınızın önleyecek yavaştır, eğitim sapmak neden, ya da aşırı uyma -- yol açabilir.

İnsanlar geleneksel olarak birçok farklı şekilde bu sorunun çözümündeki:

1. Farklı yapılarda, en iyi olanı görmek için deneyin.İki adet eğitim için bir değerlendirme için eğitim seti bölmek ve farklı yaklaşımlar tren değerlendirin. Ne yazık ki sizin durumunuzda bu deneysel yaklaşım mevcut değil gibi görünüyor.

2. Genel bir kural kullanın.Bir çok insan en iyi olanı olarak tahmin bir sürü ile geldi. İlgili sayıda nöron gizli katman, insanların speküle (örnek) (a) arasındaki giriş ve çıkış katman boyutu, (b) ayarlamak için bir şey yakın (giriş ve çıkışları) * 2/3, veya (c) asla büyük iki katı büyüklükte giriş kat. her zaman dikkate bilgi hayati parçaları almayın, like how "difficult" the problem is, what the size of the training and testing sets, vb. Sonuç olarak, bu kurallar çoğu zaman için zor bir başlangıç noktası "-deneyin-bir-grup-bu-işler-ve-görmek-ne-işleri-en iyi" yaklaşımı. izin olarak kullanılır

3. Dinamik olarak ağ yapılandırması ayarlayan bir algoritma kullanın.Cascade Correlation gibi algoritmaları en az bir ağ ile Başlat, eğitim sırasında gizli düğüm ekleyin. Bu deneysel kurulum biraz daha kolay yapabilirsiniz, ve (teorik olarak) daha iyi performans yanlışlıkla gizli düğüm uygunsuz bir numarası kullanmaz çünkü) neden olabilir.

Bu konuda bir çok araştırma var. Eğer gerçekten ilgileniyorsanız, okumak için bir çok şey var. Alıntıları özellikle on this summary, çıkış:

• Lawrence, S., Giles, C. L., Tsoi, A. C. (1996), "What size neural network gives optimal generalization? Convergence properties of backpropagation".Teknik UMİACS-TR-96-22-TR-CS 3617, Gelişmiş Bilgisayar Araştırmaları Enstitüsü, Maryland Üniversitesi, College Park Üniversitesi Raporu.

• , A., ve Paugam-Moisy Elisseeff, H. (1997), "Size of multilayer networks for exact learning: analytic approach".Nöral Bilgi İşleme Sistemleri 9, Cambridge, MA gelişmeler: MIT Press, 162-168 s.