Prowadzę badania w sieciach neuronowych, a koncepcja i teoria jako całość mają dla mnie sens. Chociaż jedyne pytanie, które mnie interesuje, na które nie byłem jeszcze w stanie znaleźć odpowiedzi, to ile neuronów należy zastosować w sieci neuronowej. aby uzyskać właściwe/wydajne wyniki. W tym ukryte warstwy, neurony na ukrytą warstwę itd. Czy więcej neuronów musi być koniecznie bardziej dokładnych wyników (przy jednoczesnym większym obciążeniu systemu) lub czy mniej neuronów będzie nadal wystarczających? Czy istnieje jakaś reguła rządząca, która pomoże ustalić te liczby? Czy to zależy od rodzaju algorytmu szkolenia/uczenia się, który jest wdrażany w sieci neuronowej. Czy zależy to od rodzaju danych/danych wejściowych, które są prezentowane w sieci?Określanie odpowiedniej liczby neuronów dla sieci neuronowej
Jeśli łatwiej odpowiedzieć na pytania, najprawdopodobniej będę korzystał z przekazywania informacji i backpropogacji jako głównej metody szkolenia i prognozowania.
Na marginesie, czy istnieje algorytm przewidywania/reguła wypalania lub algorytm uczenia się, który generalnie jest odnawiany jako "najlepszy/najbardziej praktyczny", czy też zależy to również od rodzaju danych prezentowanych w sieci?
Dzięki każdemu, kto ma jakikolwiek wkład, jest zawsze mile widziany!
EDYCJA: Odnośnie znacznika C#, jest to język, w którym będę układał moją sieć neuronową. Jeśli ta informacja w ogóle pomaga.
* Jeśli możesz sobie wyobrazić całą książkę, która odpowiada na twoje pytanie, pytasz za dużo. * Http://stackoverflow.com/faq#dontask Ponadto, nie widzę, jak to ma coś wspólnego z C#. –
Zobacz http://stats.stackexchange.com/questions/181/how-to-choose-number-of-hidden-layers-and-nodes-in-a-eedeedforward-neural-netw –
@ 0xA3, świetnie połączyć. To pytanie może nie być wystarczająco specyficzne dla SO, ale tylko kilka myśli: rozmiar sieci neuronowej jest podyktowany złożonością funkcji lub klasyfikatora, który reprezentują. Tak, tak, możliwe jest posiadanie zbyt wielu neuronów: w klasyfikacji może prowadzić do przeuczenia i utraty uogólnionego modelu. – nicholas