使用Tensorflow可以为输入/输出映射创建神经网络吗？

Question

我目前正在使用tensorflow创建一个神经网络，该神经网络复制了在给定输入的情况下创建特定输出的功能。

在这种情况下，输入是采样音频，并且该音频正在生成MFCC功能。 知道每个文件对应的MFCC功能是什么，但是不确定我应该如何设置神经网络。

我正在遵循此指南/教程http://www.kdnuggets.com/2016/09/urban-sound-classification-neural-networks-tensorflow.html/2

它说神经网络就是这样建立的

training_epochs = 5000
n_dim = tr_features.shape[1]
n_classes = 10
n_hidden_units_one = 280 
n_hidden_units_two = 300
sd = 1 / np.sqrt(n_dim)
learning_rate = 0.01

我的问题是如何定义班级数量？ 我的意思是，我计算出的实际值没有分成几类，而是一个十进制数，因此我应该创建具有不同类数的多个网络，然后选择与原始值相比误差最小的那个，或者有一个tensorflow命令可以做到这一点，因为我正在做有监督的学习。

Answer 1

神经网络可用于分类任务或回归任务。 在教程中 ，作者希望将声音分为10个不同的类别。 因此，神经网络具有10个输出神经元（ n_classes ），并且它们的每个激活值都为输入声音提供隶属于某个类的概率。

在我们的例子中，您想将给定的声音映射成一个十进制数字（对吗？），所以这是一个回归任务：神经网络必须学习未知函数。 输出神经元的数量必须等于我们未知函数的输出维度（如果只是十进制数，则为1）。

因此，如果您想为我们的回归任务保留相同的体系结构，只需设置n_classes = 1并将y_修改为

y_ = tf.matmul(h_2,W) + b

因为tf.nn.softmax将最终得分转换为概率（这对分类有利，但对回归tf.nn.softmax ）