我想創建一個神經網絡的「三（2D）矩陣」作爲輸入，並且神經網絡多輸入和一個輸出
的輸出爲1（2D）矩陣，因此，三個輸入是：
1-2D基質含有（X，Y）座標從設備
2-2D基質含有（X，Y）座標從另一個不同的設備
3-2D矩陣包含真確切（ X，Y）座標，我已經
測量它（我不知道，準確的從輸入或什麼??包括）
***請注意，每個輸入有他自己的錯誤，我想使神經網絡
爲了儘量減少錯誤，並選擇最好的結果取決於真實準確的（X，Y）***
**注意的是：進出口工作在我提取（X，Y），目標跟蹤協調
從相機和其他設備是相同的數據，例如
我將模擬座標如下：
{（1,2），（1,3），（1,4），（1,5），（1,6）...... ..}
等
爲了確保輸出是一個二維矩陣最好的還是真實準確（X，Y），所以我是一個
初學者，我想了解如何創建此網絡與此不同
輸入和選擇最佳訓練方法有t他最好的結果...？！
在此先感謝
這聽起來像你想要的是一個HxWx2輸入，其中第一通道（深度方向層）是你的第一個輸入和第二個渠道是您的第二個輸入。你的「真正的確切」座標將是你的淨輸出相比較的目標，而不是輸入。
請注意，神經網絡不能真正處理迴歸（實值輸出） - 您可能會得到更好的結果，將您的座標範圍分成桶，然後將其作爲分類問題來處理（使用softmax損失vs迴歸平均值 - 平方誤差損失）。
擴大對迴歸VS分類點：
迴歸問題是一個你想要的淨輸出真正的價值，如範圍爲0-100的座標值。分類問題是你希望網絡輸出一系列合法性的一個分類問題，你的輸入屬於它所訓練的給定類（例如，你在屬於「貓」，「狗」和「兔」類的圖像上訓練網絡） 。
事實證明，現代神經網絡在分類上比迴歸好得多，因爲它們的工作方式基本上是通過將N維輸入空間細分爲與他們正在訓練的輸出相對應的子區域。他們自然在做的是分類。
將回歸問題轉化爲可能更好的分類問題的一個顯而易見的方法是將您希望的輸出範圍劃分爲子範圍（也稱爲桶），您將其視爲類。例如而不是訓練您的網絡輸出0-100範圍內的單個（或多個）值，而是訓練它輸出類別概率，例如表示10個獨立的子範圍（類別）0-9,10-19中的每一個， 20-20等
先生，你是偉大的你有我的問題和解決方案謝謝，但我沒有得到你所談論的一些喜歡（你可能會得到更好的結果劃分成桶的座標範圍，然後把它作爲一個分類問題，而不是（使用softmax損失與迴歸均方誤差損失）。） ，所以如果你可以解釋更多細節或不打擾你可以給更多的網站或參考文獻解釋我自己的問題@SpinyNormam，非常感謝你的回答:) – Mohamed
太好了所以我可以問什麼是使用matlab創建我的網絡的步驟，因爲我是初學者:) @SpinyNormam – Mohamed
我不能幫助任何網絡庫的細節，因爲我最終編寫了自己的代碼。如果你只是想以最痛苦的方式實現這個，我會建議Keras（這是基於python的）。否則，如果你真的想要使用matlab的MatConvNet， – SpinyNormam
你的解釋很模糊。你能更清楚你正在處理的是什麼樣的矩陣。他們是否定期更新？ –
編輯希望被清除再次 我跟蹤機器人使用相機和另一個設備，都有錯誤，矩陣是模擬實時定位 一個來自相機和另一個來自（軸編碼器，磁力計）@Krishna Kishore Andhavarapu – Mohamed