人工神经网络中初始神经元的选择

Question

我的数据集大小是800个音频文件，现在我想构建一个用于音频分类的人工神经网络。我在第一层给了64个神经元，在第二层给了36个神经元。在一个神经网络中会有特定数量的神经元通过吗？输入形状为(826，12)，模型的输出为二进制输出。

​

Answer 1

让我们先从更简单的部分开始。知道输入和输出层的数量以及它们的神经元的数量是最容易的部分。每个网络都有一个输入层和一个输出层。输入层中神经元的数量等于正在处理的数据中的输入变量的数量。输出层中神经元的数量等于与每个输入相关联的输出数量。但挑战是知道隐藏层的数量和它们的神经元。

答案是，您不能分析计算人工神经网络中要使用的层数或每层的节点数，以解决特定的真实预测建模问题。层数和每层中的节点数是必须指定和学习的模型超参数。您必须使用健壮的测试工具和受控实验来发现答案。不管你可能会遇到什么启发式方法，所有的答案都会回到需要仔细实验的地方，看看哪种方法最适合你的特定数据集。

同样，过滤器大小是一个这样的超参数，您应该在训练网络之前指定。

对于图像识别问题，如果您认为网络识别对象需要大量像素，则将使用大滤镜(如11x11或9x9)。如果你认为区分对象的是一些小的和局部的特征，你应该使用小滤镜(3x3或5x5)。这些是一些技巧，但不存在任何规则。

希望这能对你有所帮助。

Answer 2

根据sequential models的Keras文档，

指定输入形状的

模型需要知道它应该期望的输入形状。因此，Sequential模型中的第一层(也是唯一的第一层，因为后面的层可以进行自动形状推断)需要接收有关其输入形状的信息。有几种可能的方法可以做到这一点：

• 将input_shape参数传递给第一层。这是一个形状元组(整数的元组或无条目的元组，其中None表示可能需要任何正整数)。在input_shape中，不包括批处理维度。对于某些2D层，例如Dense，通过参数
• input_dim支持其输入形状的规范，而一些3D时态层支持参数input_dim和batch_size，您可以向层传递参数。如果同时通过batch_size=32和

input_shape=(6，8)到一个层，那么它将期望每一批

输入具有批次形状(32、6、8)。

我假设你所有的音频文件都是相同大小的。我还假设您的X_Train已经准备就绪，并且每个音频示例都是(826,12)维的，并且您的输出是单个类别。我还假设所有的音频文件都以张量的形式垂直堆叠。

如果以上操作是正确的，那么您可以尝试以下操作。如果不看上面和下面的代码，我不能说它是否可以工作。请注意'input_shape=‘参数的用法。

## ........ The code above

mmymodel = Sequential()
mmymodel.add(Dense(64, input_shape=(826,12,), init='uniform', activation = 'relu'))
mmymodel.add(Dense(36, init='uniform', activation = 'relu'))
mmymodel.add(Dropout(0.5)
mmymodel.add(Dense(1, init='uniform', activation='sigmoid'))

## ........ The code below

万事如意。