machine-learning - 井字游戏的神经网络

Question

我编写了可以玩井字棋的神经网络。网络有 9 个输入神经元，用于描述棋盘的状态(1 - 表示网络移动，1.5 - 表示对手移动，0 - 表示空单元)和 9 个输出神经元(具有最高值的输出神经元表示给定的最佳 Action )状态)。网络没有隐藏层。激活函数 - sigmoid。学习方法——Q学习+反向传播。

网络经过训练，但效果很差(继续踩在占用的单元格上)。所以我决定添加一个隐藏层。我想问:

隐藏层中使用多少个神经元以及哪些激活函数更适合隐藏层和输出层？

Answer 1

一般来说，讨论了隐藏层要添加的神经元数量here但根据经验，隐藏层中的神经元数量应大致等于输入神经元的数量。

您还可以考虑添加讨论 here 的隐藏层数量

sigmoid 激活函数很好，无论如何你可以检查它并与其他激活函数进行比较。

在您的具体情况下，您还可以考虑通过为输出神经元使用不同的架构来强制代理不考虑(根本)选择占用的单元。