神经网络的组成:
输入层:个数等于特征数
隐藏层:可能不只一层,神经元数目也不确定,需要根据实验和经验选择
0输出层,个数为输出的种类
以下是用于描述神经网络形状和能力的一些术语:
- 尺寸:模型中的节点数。
- 宽度:特定层中的节点数。
- 深度:神经网络中的层数。
- 能力:可以通过网络配置学到的函数的类型或结构。有时被称为“ 表征能力 ”。
- 架构:网络中层和节点的具体排列.
摘自:http://www.sohu.com/a/245833938_787107
为什么要有多个层?
在我们查看要指定的层数之前,有必要先思考为什么我们希望拥有多个层。
单层神经网络只能用于表示线性可分离的函数。也就是说非常简单的问题,例如,分类问题中可以被一行整齐地分隔开的两个类。如果你的问题相对简单,那么单层网络就足够了。
然而,我们有兴趣解决的大多数问题都不是线性可分的。
多层感知器可用于表示凸区域。这意味着,实际上,他们可以学习在一些高维空间中围绕实例绘制形状,以对它们进行分类,从而克服线性可分性的限制。