python - scikit-neuralnetwork 中神经网络的反向传播和结构

Question

我正在尝试使用 scikit-neuralnetwork 来学习神经网络框架，我了解神经网络的基础知识，现在尝试用 scikit-learn 来实现它。但我对两点感到困惑。

1- 下面给出的这个神经网络的结构是什么？不知何故，在我觉得的一些例子中，有些人没有把输入层作为一个层。否则，我认为这是一个 2 层神经网络，输入层有 100 个节点，输出层有 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- scikit-neuralnetwork 是否在我上面放置的代码中进行反向传播？

谢谢!

Answer 1

1. 假设X_train中的每个训练样例都有M个特征，并且y_train中有C类: 输入层(代码中未明确显示)有 M 个节点。隐藏层有100个节点。输出层有 C 个节点(每个节点编码每个类别的分数)。

2. .fit() 是一种执行此操作的方法 - 前馈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(分数，而不是类别标签)，请使用回归器。