神经网络与图像分类
我用两个输出神经元会得到更好的结果吗？（一个激活为“是音乐”，另一个激活为“不是音乐”）。
（您可以在这里看到这方面的C++源代码：https://github.com/mcmenaminadrian/musonet--尽管在任何给定的时间，公开回购中的内容可能并不完全是我在机器上使用的内容。）
暂时还没有答案
-
我正在尝试运行一个CNN（卷积神经网络），具有1通道/灰度图像，大小为28x28像素。当我尝试训练模型时，它说： ValueError：图层sequential_5输入0与图层不兼容:: 预期min_ndim=4，发现ndim=3。完整形状收到：[无，28,28]
-
神经网络 (Neural Network) 是机器学习的一个分支，全称人工神经网络（Artificial Neural Network，缩写 ANN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。 Perceptron (感知器) 一个典型的神经网络由输入层、一个或多个隐藏层以及输出层组成，其中箭头代表着数据流动的方向，而圆圈代表激活函数（最常用的激活函数为
-
译者：bat67 最新版会在译者仓库首先同步。 可以使用torch.nn包来构建神经网络. 我们以及介绍了autograd，nn包依赖于autograd包来定义模型并对它们求导。一个nn.Module包含各个层和一个forward(input)方法，该方法返回output。 例如，下面这个神经网络可以对数字进行分类： 这是一个简单的前馈神经网络（feed-forward network）。它接受一
-
我正在研究一个深度学习问题，它需要我有一个深度学习模型，该模型具有输入图像和输出另一张图像。现在，输入和输出图像具有不同的维度，因此我不能使用自动编码器。我已经尝试构建一个非常简单的卷积神经网络，它有一个最终的输出密集层，该层以输出图像的宽度和高度相乘为“单位”参数。然而，我下面附加的这个网络没有成功。我的问题是： CNN是不是像我这样处理这个问题的合适的深度学习网络 如果没有，我还可以尝试其他什
-
我正在建立一个分类神经网络，以便对两个不同的类进行分类。 所以这是一个二元分类问题，我正尝试用一个前馈神经网络来解决这个任务。 但是网络是不能学习的，事实上，在训练过程中，网络的精度是不变的。 具体而言，数据集由以下人员组成： 65673行22列。 其中一列是具有值(0，1)的目标类，而其他21列是预测器。数据集是这样平衡的： null 可以看到也有NaN值，但我不能删除它，因为在其他列中有值0是
-
在基于深度信念网络的改进分类中，作者指出，为了更好地分类，在训练分类器之前，使用生成模型初始化模型和模型特征。通常需要它们来解决单独的无监督和有监督学习问题。生成受限Boltzmann机器和深层信念网络被广泛用于无监督学习目的。 我的问题是，如果我要通过无监督学习执行非图像多类分类任务，使用深层信念网络或卷积神经网络是否更好，而不考虑数据集也很重要？ 这里提出了一个与图像分类任务相关的类似问题：深