คำถามประเภทนี้อาจขึ้นอยู่กับปัญหา แต่ฉันได้พยายามค้นหางานวิจัยที่ตอบคำถามว่าจำนวนเลเยอร์ที่ซ่อนอยู่และขนาด (จำนวนเซลล์ประสาทในแต่ละเลเยอร์) มีความสำคัญหรือไม่
ดังนั้นคำถามของฉันคือมันสำคัญไหมถ้าเรามี 1 เลเยอร์ใหญ่ที่ซ่อน 1,000 นิวรอนเทียบกับ 10 เลเยอร์ที่ซ่อนเร้น 100 นิวรอนแต่ละอัน?
คำตอบ:
โดยทั่วไปแล้วการมีหลายเลเยอร์ (หรือที่เรียกว่าเครือข่ายที่ลึก) ทำให้เครือข่ายของคุณกระตือรือร้นที่จะรับรู้แง่มุมบางอย่างของข้อมูลอินพุต ตัวอย่างเช่นหากคุณมีรายละเอียดของบ้าน (ขนาด, ขนาดสนามหญ้า, สถานที่ ฯลฯ ) เป็นอินพุทและต้องการที่จะทำนายราคา เลเยอร์แรกอาจทำนาย:
ชั้นที่สองอาจสรุป:
ใช่หนึ่งเลเยอร์สามารถ 'ตรวจสอบ' สถิติได้ แต่มันจะต้องใช้เซลล์ประสาทมากขึ้นเนื่องจากไม่สามารถพึ่งพาเซลล์อื่น ๆ ที่จะทำ 'ส่วน' ของการคำนวณทั้งหมดที่จำเป็นในการตรวจสอบสถิตินั้น
มีหลายด้าน
1. การฝึกอบรม: การฝึกอบรมมุ้งลึกเป็นงานที่ยากเนื่องจากปัญหาการไล่ระดับสีหายไป (การระเบิดด้านหลัง) ดังนั้นจึงไม่แนะนำให้สร้างเซลล์ประสาท 10x100-net
2. ประสิทธิภาพเครือข่ายที่ผ่านการฝึกอบรม:
ดังนั้นตาข่ายที่ลึกจึงเป็น "ฉลาด" มากกว่า แต่โครงสร้างสุทธิ 10x100 เป็นตัวเลือกที่ดี
หากปัญหาที่คุณแก้อยู่นั้นแยกออกจากกันเป็นเส้นตรงหนึ่งชั้นของ 1,000 เซลล์ประสาทสามารถทำงานได้ดีกว่า 10 ชั้นกับแต่ละ 100 เซลล์ประสาท หากปัญหาไม่เป็นเส้นตรงและไม่นูนคุณต้องมีตาข่ายระบบประสาทลึก
ฉันคิดว่าคุณมีความสับสนในพื้นฐานของเครือข่ายประสาท ทุกชั้นมีฟังก์ชั่นการเปิดใช้งานแยกต่างหากและน้ำหนักการเชื่อมต่ออินพุต / เอาต์พุต
ผลลัพธ์ของเลเยอร์ที่ซ่อนแรกจะถูกคูณด้วยน้ำหนักประมวลผลโดยฟังก์ชันการเปิดใช้งานในเลเยอร์ถัดไปเป็นต้น โครงข่ายประสาทชั้นเดียวมีข้อ จำกัด มากสำหรับงานง่าย ๆ NN ที่ลึกกว่าสามารถทำงานได้ดีกว่าชั้นเดียว
อย่างไรก็ตามอย่าใช้มากกว่าเลเยอร์หากใบสมัครของคุณไม่ซับซ้อนพอสมควร สรุปแล้วชั้นของเซลล์ประสาท 100 ชั้นไม่ได้แปลว่าโครงข่ายประสาทที่ดีกว่า 10 ชั้น x 10 เซลล์ประสาท แต่ 10 ชั้นนั้นเป็นสิ่งที่จินตนาการถ้าคุณไม่ได้เรียนรู้อย่างลึกซึ้ง เริ่มต้นด้วย 10 เซลล์ประสาทในเลเยอร์ที่ซ่อนอยู่และลองเพิ่มเลเยอร์หรือเพิ่มเซลล์ประสาทอื่น ๆ ลงในเลเยอร์เดียวกันเพื่อดูความแตกต่าง การเรียนรู้ด้วยเลเยอร์ที่มากขึ้นจะง่ายขึ้น แต่ต้องใช้เวลาในการฝึกฝนมากขึ้น