神经网络-训练有素的网络

Question

我已经通过反向传播对自己的前馈网络学习进行了编程（Java）。 我的网络经过培训以学习XOR问题。 我有一个输入矩阵4x2和目标4x1。

输入：

{{0,0},
{0,1},
{1,0},
{1,1}}

输出：

{0.95048}
{-0.06721}
{-0.06826}
{0.95122}

我有这个训练有素的网络，现在我想在新的输入上对其进行测试，例如：

{.1,.9} //should result in 1

但是，我不确定如何实现float predict(double[] input)方法。 从我所看到的问题是，我的训练数据的大小与输入数据的大小不同。

请提出建议。

编辑：我的措辞方式，听起来像我想要一个回归值。 但是，我希望输出是一个概率矢量（分类），然后可以对其进行分析。

Answer 1

基本上，当您训练神经网络时，会获得一堆可用于预测结果的参数。 通过在每一层中添加特征和权重的乘积来获得结果，然后将激活功能应用于该结果。 例如，假设您的网络有3层（要素除外），每个隐藏层有3个神经元，而输出层有1个神经元。 W1表示您对第一层的权重，因此它的形状为[3,2]。 使用相同的参数W2，第二层的权重的形状为[3,3]。 最后，作为输出层权重的W3的形状为[1,3]。 现在，如果我们使用一个称为g（z）的函数作为您的激活函数，则可以为这样的示例计算结果：

Z1 = W1.X
A1 = g(Z1)
Z2 = W2.A1
A2 = g(Z2)
Z3 = W3.A2
A3 = g(Z3)

A3是您的结果，可以预测两个数字的XOR。 请注意，在此示例中，我没有考虑偏见条款。

Answer 2

在您的情况下，您的神经网络的输入应为2且输出为1。因此，在训练期间，您将提供每个示例输入{x0，x1}和输出{y0}以便进行学习。 最后，在进行预测时，您可以提供向量{.9，.1}并获得所需的输出。