我想创建一个神经网络的“三（2D）矩阵”作为输入，并且神经网络多输入和一个输出
的输出为1（2D）矩阵，因此，三个输入是：
1-2D基质含有（X，Y）坐标从设备
2-2D基质含有（X，Y）坐标从另一个不同的设备
3-2D矩阵包含真确切（ X，Y）坐标，我已经
测量它（我不知道，准确的从输入或什么??包括）
***请注意，每个输入有他自己的错误，我想使神经网络
为了尽量减少错误，并选择最好的结果取决于真实准确的（X，Y）***
**注意的是：进出口工作在我提取（X，Y），目标跟踪协调
从相机和其他设备是相同的数据，例如
我将模拟坐标如下：
{（1,2），（1,3），（1,4），（1,5），（1,6）...... ..}
等
为了确保输出是一个二维矩阵最好的还是真实准确（X，Y），所以我是一个
初学者，我想了解如何创建此网络与此不同
输入和选择最佳训练方法有t他最好的结果...？！
在此先感谢
这听起来像你想要的是一个HxWx2输入，其中第一通道（深度方向层）是你的第一个输入和第二个渠道是您的第二个输入。你的“真正的确切”坐标将是你的净输出相比较的目标，而不是输入。
请注意，神经网络不能真正处理回归（实值输出） - 您可能会得到更好的结果，将您的坐标范围分成桶，然后将其作为分类问题来处理（使用softmax损失vs回归平均值 - 平方误差损失）。
扩大对回归VS分类点：
回归问题是一个你想要的净输出真正的价值，如范围为0-100的坐标值。分类问题是你希望网络输出一系列合法性的一个分类问题，你的输入属于它所训练的给定类（例如，你在属于“猫”，“狗”和“兔”类的图像上训练网络） 。
事实证明，现代神经网络在分类上比回归好得多，因为它们的工作方式基本上是通过将N维输入空间细分为与他们正在训练的输出相对应的子区域。他们自然在做的是分类。
将回归问题转化为可能更好的分类问题的一个显而易见的方法是将您希望的输出范围划分为子范围（也称为桶），您将其视为类。例如而不是训练您的网络输出0-100范围内的单个（或多个）值，而是训练它输出类别概率，例如表示10个独立的子范围（类别）0-9,10-19中的每一个， 20-20等
先生，你是伟大的你有我的问题和解决方案谢谢，但我没有得到你所谈论的一些喜欢（你可能会得到更好的结果划分成桶的坐标范围，然后把它作为一个分类问题，而不是（使用softmax损失与回归均方误差损失）。） ，所以如果你可以解释更多细节或不打扰你可以给更多的网站或参考文献解释我自己的问题@SpinyNormam，非常感谢你的回答:) – Mohamed
太好了所以我可以问什么是使用matlab创建我的网络的步骤，因为我是初学者:) @SpinyNormam – Mohamed
我不能帮助任何网络库的细节，因为我最终编写了自己的代码。如果你只是想以最痛苦的方式实现这个，我会建议Keras（这是基于python的）。否则，如果你真的想要使用matlab的MatConvNet， – SpinyNormam
你的解释很模糊。你能更清楚你正在处理的是什么样的矩阵。他们是否定期更新？ –
编辑希望被清除再次 我跟踪机器人使用相机和另一个设备，都有错误，矩阵是模拟实时定位 一个来自相机和另一个来自（轴编码器，磁力计）@Krishna Kishore Andhavarapu – Mohamed