我已在Arduino上使用此XOR example训练了2输入1输出数据集。我拥有的数据集包含大约30,000个值。我使用了4个值而不是XOR表，并且在测试时得到了很好的结果。
我想用更多的数据来训练它。由于其RAM限制，我无法在Arduino上执行此操作。我用C语言重新编写了代码，然后在笔记本电脑上对其进行了培训。我给了20,000个值作为训练数据集，花了大约2天的时间进行训练，但输出却非常糟糕。我将隐藏的神经元更改为4，但结果仍然很糟糕。我的意思是我得到了大约12的最终误差。在给定的XOR示例中，他们计算误差的方式是对所有误差求和，因此，当我给出20,000个输入时，总和就足够大了。
有没有更好的方法可以做到？我应该增加层数还是隐藏神经元？我可以拟合具有30,000个值的数据集的最佳方法是什么？
编辑：
我已经在Github上共享了代码：Repo
此仓库包含数据集和代码。
最佳答案
您发布这样的问题的事实意味着您对神经网络的了解不足（或者您在该领域没有足够的经验）。这不是批评，这是非常普遍的，因为这是一个非常复杂的领域。
问题的解决方案在很大程度上取决于您的问题和数据集。
说到“层”，通常是指称为多层感知器（MLP）的特定人工神经网络（ANN）体系结构，因此这是我将尝试解释的体系结构。
通常，增加隐藏层的数量并不能为您提供更好的性能，而只是降低训练速度。有时使用两层隐藏的感知器（所以三层，一层是输出，两层是隐藏的，因为输入层不是由感知器组成的）可以帮助解决特别复杂的分类问题，但是我从未见过好的3层ANN。
通常，然后，当您的网络行为不佳时，您必须更改1）数据集（因为大多数情况下，数据集设计不佳会导致行为不佳）或2）网络拓扑（即，使用除然后是MLP）。
对问题的理解是必不可少的，应通过输入“传递”给ANN。例如，如果您要制造指纹检测器，则知道图像可以旋转，因此，如果您应用了使图像对旋转不变的变换（例如，将图像坐标转换为极坐标表示），您将（通常）获得更好的效果。
请记住，最重要的步骤是选择数据集。您必须避免数据太少，但也不是一个好选择。这是一个称为overfitting的问题。网络将训练仅识别您传递给它的数据，并且将无法找到您传递的“相似”数据。此外，数据集必须保持平衡：如果您想训练一个网络来识别所有的狗，然后仅将其传递给比格犬图像，它将无法识别杜宾犬。
这些都是通用建议。并注意我使用的“通常”副词。
现在，对于您的特定问题，有两个主要问题。
第一个与Error变量有关。您说它的价值很高，大约为12。那么，什么是12？这只是一个数字。通常，您应该计算Mean squared error来“估计”性能。另一方面，您所计算的是所有平方误差的总和。您应将值除以测试用例的数量（Error /= PatternCount;），并在加上平方误差时将其丢掉0.5。然后，您可以增加一些成功常量以使其停止之前（也许0.001很好，但是您必须对其进行调整）。
而且...您的操作方式不正确。通常，您应该将数据集分为两部分：随机选择的训练数据（通常是点数的80％）和测试数据（通常是点数的20％）。您使用训练数据来训练ann，然后当您拥有它时，您必须通过它传递测试数据并检测性能（因此您必须传递它从未进入训练过程的数据）。这样，您将测试ANN的泛化能力，而不是记住已通过的要点。
最后，如果您确实想使神经网络正常工作，则必须对已有的数据进行大量实验。最好是拥有一台高功率的PC而不是一台小型的arduino，然后重用其他人的工作（获取一些库）。我在大学工作时发现的最好方法是使用专门用于数值计算的工具（我使用了matlab，因为我们已经获得了许可证，但是可以使用八度音阶-开源-具有神经网络扩展）。这样，您可以轻松修改拓扑，数据集组成和学习参数。工作正常后，您可以提取参数并将其嵌入所需的内容（在C / C ++ / Java / python / whatever中进行临时实现）。
最好的祝福
PS有趣的是，我以评论开始，然后很快用完了空间...
关于c - 使用哪种类型的神经网络？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/41217052/