实施人工神经网络时，输入层是否应该被忽略？

我想在c＃中实现人工神经网络，但我不完全明白输入图层的目的是什么。它不做任何处理，因为它的神经元和输入之间的连接没有权重。实施人工神经网络时，输入层是否应该被忽略？

考虑下面的代码：

//Network 
    public void Compute(float[] input) { 
     layers[0].Compute(input); 

     for (int i = 1; i < layers.Length; i++) { 
      layers[i].Compute(layers[i - 1].Output); 
     } 
    } 

    //Layer 
    public void Compute(float[] input) { 
     for (int i = 0; i < neurons.Length; i++) { 
      output[i] = neurons[i].Compute(input); 
     } 
    } 

    //Neuron 
    public float Compute(float[] Input) { 
     float output = 0.0f; 
     for (int i = 0; i < Input.Length; i++) { 
      output += Input[i] * weights[i]; 
     } 

     return (output); 
    }

当添加层到网络，我并不需要，因为输入数组被直接传递到隐藏/输出层，以添加的输入层。那是对的吗？如果是这样，那么AForge.Net库似乎做错了。 AForge库将输入层添加到网络，但它也会为连接添加权重。

综上所述，看看这三个网络图： enter image description here

这三个图的一个是正确的？我想你可以说我正在实现一个虚拟输入层（不是将其添加到网络中，而是输入数组基本上是输入层）。如果是这样的话，那么如何实施hopfield网络呢？它有一个既是输入层又是输出层的层。在这种情况下，我的实现会产生错误的结果，因为虚拟输入层会存在。这意味着需要完全不同的输入层实现，以允许神经元与输入只有1个连接。

这变得非常混乱，我希望有人能为我澄清一些事情。

来源

2013-10-15 Orestis P.

在传统术语中，“输入层”是输出输入的一组神经元，因此它们可以被实际进行计算的其他层消耗。输入神经元不做计算，因为它们没有任何输入来进行计算。

所以你的理解是正确的。在“传统”图中，输入层不是“计算层”。你只需要实现实际的“计算层”。

从我在您的文章中看到的内容看来，AForge库可能只是使用不同的术语，即它可能会将第一个计算层（即正在读取输入的计算层）称为输入层。

来源

2013-10-15 16:03:46

实施人工神经网络时，输入层是否应该被忽略？

回答

相关问题