神经网络中神经网络的反向传播与结构

Question

我正在尝试使用坐骨神经网络框架学习神经网络，我了解神经网络的基本知识，现在尝试用scikit-learn来实现它。但我对两点感到困惑。

1-这个神经网络的结构是什么？不知怎么的，在我感觉到的一些例子中，有些人不把输入层作为一个层。否则，我认为这是因为一个2层NN有一个输入层，在输出层有100个节点和1个节点。

from sknn.mlp import Classifier, Layer

nn = Classifier(
   layers=[
    Layer("Maxout", units=100, pieces=2),
    Layer("Softmax")],
learning_rate=0.001,
n_iter=25)

nn.fit(X_train, y_train)

2-坐骨神经网络在我上面写的代码中做反向传播吗？

谢谢!

Answer 1

1-在scikit神经网络框架中，输入层不显示，但当我们向系统提供训练数据时，输入层作为一个层在后台显示。

nn.fit(X_train, y_train)

例如，假设我们使用的是虹膜花数据集。它有3个类，所以如果是这样的话，框架可以从y_train中理解这一点，并且它用3个类创建了3个输入层。

y_train = [0,0,0,1,2,]
X_train = [[ 7.1  3.   5.9  2.1]
           [ 5.9  3.   4.2  1.5]
           [ 5.5  2.4  3.7  1. ]
           [ 6.1  2.8  4.7  1.2]
           [ 5.   2.3  3.3  1. ]]

除了最后一层，所有其他层都是隐藏层。我看到当我操作最后一层时，得到了这个错误

    nn = Classifier(
    layers=[
            Layer("Maxout", units=100, pieces=2),
            Layer("Softmax",units=1)],   -----> if units is 3 that's ok!
            learning_rate=0.001,
            n_iter=25)
    "Mismatch between dataset size and units in output layer."
    AssertionError: Mismatch between dataset size and units in output layer.

2-更详细的解释；感谢datascience.stackexchange的@robintibor。他在这里解释了这两个问题，解释

谢谢@user7534232的答复:)

Answer 2

1. 假设X_train中的每个训练示例都有M个特性，并且在y_train中有C类:输入层(在代码中没有显式显示)有M个节点。隐藏层有100个节点。输出层有C节点(每个节点编码每个类的分数)。
2. .fit()是一种方法，它提供训练示例并使用反向传播来训练神经网络。

另外:也许您必须为最后一层添加units=C --我认为这是一个分类问题。如果您只需要一个值(一个分数，而不是一个类标签)，那么使用Regressor。