神經網絡訓練。只有幾個結果

Question

我有一個網絡，它有3個輸入，2個隱藏層（每個6個神經元，Sigmoid激活功能）和一個神經元作爲輸出。我期望我的網絡是連續的，因爲我沒有看分類網絡（希望是有道理的）。

我的輸入代表一年中的天數（0-365範圍）。我實際上將它們標準化爲0-1範圍（因爲sigmoid）。

我的問題是如下：然而，小的訓練錯誤獲得，重新使用訓練集時的實際值是不正確的。根據我運行的時代數量，我會得到不同的結果。

如果我訓練我的網絡超過幾千次，我只會得到兩個可能的結果。如果我對它進行較少的培訓，我會得到更多可能的結果，但這些價值遠不及我的預期。

我讀過一個連續的網絡，最好也使用兩個隱藏層。

我不知道我在做什麼錯。如果你能得到任何幫助，那會很好。讓我知道你是否需要更多細節。

由於

UPDATE 1

我減少了訓練集合中的元素的數量。這一次網絡匯聚在少數時代。下面是訓練誤差：

---

培訓網絡

---

迭代＃1。錯誤：0.0011177179783950614

迭代＃2。錯誤：0.14650660686728395

迭代＃3。錯誤：0.0011177179783950614

迭代＃4。錯誤：0.023927628368006597

迭代＃5。錯誤：0.0011177179783950614

迭代＃6。錯誤：0.0034446569367911364

迭代＃7。錯誤：0.0011177179783950614

迭代＃8。錯誤：8.800816244191594E -4-

---

最終錯誤：0.0011177179783950614

---

Answer 1

你的輸出神經元應當具有線性激活函數（而不是乙狀結腸）。線性激活函數的輸出只是所有輸入的加權和。

如果您在輸出層使用線性激活函數，則不必在0和1之間擴展輸出目標值。

關於層數...一個隱藏層對於大多數問題通常是足夠的，但它因問題而異，您只需嘗試不同的網絡結構並查看最佳效果。