例如，接收三个独立输入以给出单个输出的神经网络和采用大小为 3 的单个输入来给出一个输出的神经网络在处理方面有何根本区别输出？
如果确实存在任何差异，那么其中一种在何时何地比另一种更适用或更有用？另外，将输入分配给第一个网络(具有多个输入的网络)的最佳方式是什么？
最佳答案
神经网络接收一个或多个实例或特征向量作为输入，它们可以从中学习或进行预测。
这样的实例通常是向量。向量的每个元素都被分配给一个输入神经元，它只是返回分配给(第一个)隐藏层神经元的内容。
因此，据我所知并理解您的问题，“三个单独的输入”和“大小为 3 的单个输入”之间没有区别。在我看来，更正确的说法是“大小为 3 的单个输入”，因为您一次输入一个实例，并且该实例具有一定的大小(当然，优化的实现允许您通过使用矩阵乘法一次输入更多，但从概念上讲，神经网络一次处理一个实例)。
Also, what is the best way of assigning inputs to the first network (the one with several inputs)?
就像我说的，每个实例或特征向量的元素被分配给一个输入神经元，该神经元只是返回其输入。这是输入层。
关于machine-learning - 这两种神经网络结构的根本区别是什么？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/32410852/