我'm working with text recognition and currently I'm使用支持向量机方法 . 我也想尝试使用神经网络 . 我读了一些关于神经网络是如何工作的文档，但理论很重，我不喜欢这种架构 .
-
目前，在SVM中，我有200个功能（分为4个主要类别），用于识别文本 . 如果我转向神经网络，有200个特征，是否意味着我将在输入层中有200个中子？
-
有200个特征，这将如何导致神经网络的结构（在数字层（隐藏层）和中子方面）？
-
在SVM中，我有一个类分类（基本上是真和假）和多类分类（标签），这种差异将如何应用于神经网络的输出层？
我也有几个一般问题：
-
什么有助于确定隐藏层的数量和每个隐藏层内的中子数量？
-
隐藏层的数量是否与准确性有关？
我是神经网络的新手，所以如果你能以一种明智的方式向我解释，那就太好了 . :)
非常感谢你 .
1 回答
第1点 - 它将是200个输入神经元，其中每个神经元被馈送二进制数或浮点数（优选地在-1到1范围内归一化） .
第2/4点 - 大多数问题都通过一个隐藏层解决 . 当然，如果你开始使用神经网络，你应该坚持一个隐藏层 . 我还建议从少于200个输入神经元开始，尝试5或10.在复杂问题中使用多个隐藏层，例如，第一个隐藏层学习像狗，猫，马等宏观特征，下一个隐藏层学习更精细眼睛，鼻子，耳朵等功能
没有明确的程序来决定隐藏神经元的数量 . 问题越复杂，理论上它需要的隐藏神经元就越多 . 如果您有10个输入神经元，请从20个隐藏神经元开始 . 如果它不起作用，其他地方可能出现问题 . 如果它确实有效，你可以减少隐藏神经元的数量，直到它失败 .
你也可以从低位起步并开始工作 .
第3点 - 对于真假分类，使用单个输出神经元，并使用0或1训练它 . 对于n类，使用n个编码中的1个 .
第5点 - 没有 . 准确性是通过网络可以概括的程度来衡量的 - 即，它如何对数据执行前所未有的 . 通常，更多的训练数据=更准确 .