c# - 确定神经网络的适当数量的神经元

Question

我一直在对神经网络进行一些研究，这个概念和理论作为一个整体对我来说很有意义。虽然有一个问题一直困扰着我，但我还没有找到答案，那就是神经网络中应该使用多少个神经元。以取得适当/有效的结果。包括隐藏层、每个隐藏层的神经元等。更多的神经元必然更准确的结果(同时对系统造成更多负担)还是更少的神经元仍然足够？是否有某种管理规则可以帮助确定这些数字？它是否取决于正在实现到神经网络中的训练/学习算法的类型。它是否取决于呈现给网络的数据/输入的类型？

如果可以更轻松地回答问题，我很可能会使用前馈和反向传播作为训练和预测的主要方法。

附带说明一下，是否存在通常被归类为“最佳/最实用”的预测算法/触发规则或学习算法，或者是否也取决于呈现给网络的数据类型？

感谢任何提供任何输入的人，我们总是很感激!

编辑:关于 C# 标记，这是我将用来组合我的神经网络的语言。如果这些信息有帮助的话。

Answer 1

我在大学专攻 AI/NN，并且在游戏方面有一些丰富的经验，这是我找到的入门指南。但是请注意，每个神经网络都需要进行一些调整才能在您选择的环境中发挥最佳作用。 (一个可能的解决方案是将您的程序暴露给 1000 个不同的神经网络，设置一个可测试的性能标准，然后使用遗传算法传播更有用的神经网络并剔除不太有用的神经网络——但那是另一个非常大的帖子…… )

我发现 - 一般而言

• 输入层 - 每个输入向量一个 AN + 1 个偏置(始终为 1)
• 内层 - 输入层加倍
• 输出层 - 每个 Action 或结果一个 AN

例子:字符识别

• 如果您正在检查 10x10 网格以进行字符识别；
• 从 101 Input AN 开始(每个像素一个，加上一个偏差)
• 202 内部 AN
• 和26个输出AN(每个字母一个)

例子:二十一点

• 如果您正在构建一个神经网络来“赢二十一点”；
• 从 16 个输入 AN 开始(13 个用于计算牌的每次出现，1 个用于玩家手牌值(value)，1 个用于庄家“明牌”，1 个偏差)
• 32 内 AN
• 和 6 个输出 AN(一个用于“Hit”“Stay”“Split”“Double”“Surrender”和“Insurrance”)