关于BP神经网络中输入层、隐藏层、输出层节点数的讨论

经过大量的调研,现有的被广泛接受的输入层、隐藏层、输出层节点数的确定方法为:

(1)输入层节点数n:取决于样本的属性个数

(2)输出层节点数l:取决于定义的标签编码规则,或者预测的节点数

(3)隐藏层节点数m(有三种确定方法):

                              ①m=\sqrt{n+l}+\alpha,其中\alpha为1-10之间的常数

                              ②m=log_{2}n

                              ③m=\sqrt{nl}

注意:

(1)隐含层节点数应该小于N-1(N是训练样本数),否则网络模型的系统误差与训练样本的特性无关而趋于0,即建立的网络模型没有泛化能力,也没有任何使用价值,同理,输入层的节点数也必须小于N-1; 
(2)训练样本数必须多余网络模型的连接权数,一般为2~10倍,否则,样本必须分成及部分且必须采用”轮流训练”的方法才能得到可靠的神经网络
 

  • 13
    点赞
  • 161
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值