Bu sorunun cevaplandığını fark ediyorum, ancak mevcut cevabın soruyu gerçekten sorunun konusu ile ilgili olan bir bağlantıya işaret etmekten öteye geçtiğini sanmıyorum. Özellikle, bağlantı programlı ağ yapılandırması için bir tekniği açıklar, ancak bu ağ yapılandırması için " [a] standart ve kabul edilen bir yöntem " değildir.
Küçük bir açık kurallar dizisi uygulanarak, programatik olarak yetkin bir ağ mimarisi belirlenebilir (yani, nöronal katmanların sayısı ve türü ve her katmanı içeren nöronların sayısı). Bu şemanın ardından, bu size yetkin bir mimari verecektir, ancak muhtemelen optimal bir yapı sunmayacaktır.
Ancak bu ağ başlatıldıktan sonra, birkaç yardımcı algoritma kullanarak egzersiz sırasında yapılandırmayı yinelemeli olarak ayarlayabilirsiniz; tarafından bu çalışmaların bir aile budama başka bir deyişle, (aşağıda Bu konuda daha fazla) gereksiz / gereksiz düğümleri ortadan kaldırarak - Eğitim dönemlerini belli bir sayıdan sonra ağırlık vektörü (küçük) değerlerine göre düğümler.
Böylece her NN üç tür katmana sahiptir: giriş , gizli ve çıkış .
NN mimarisini oluşturmak, bu nedenle, her bir türdeki katman sayısı ve bu katmanların her birindeki düğüm sayısı için değerler bulmak anlamına gelir.
Giriş Katmanı
Basit - Her NN'de onlardan biri vardır - bildiğim hiçbir istisna yok.
Bu katmanı oluşturan nöronların sayısıyla ilgili olarak, bu parametre egzersiz verilerinizin şeklini öğrendiğinizde tamamen ve benzersiz bir şekilde belirlenir. Spesifik olarak, bu katmanı içeren nöronların sayısı, verilerinizdeki özelliklerin (sütunların) sayısına eşittir . Bazı NN yapılandırmaları, önyargı terimi için bir ek düğüm ekler.
Çıktı Katmanı
Giriş katmanı gibi, her NN tam olarak bir çıkış katmanına sahiptir. Boyutunun belirlenmesi (nöron sayısı) basittir; tamamen seçilen model konfigürasyonu ile belirlenir.
NN'niz Makine Modunda mı, yoksa Regresyon Modunda mı çalışıyor (ML, istatistiklerde de kullanılan ancak farklı bir anlam atayan bir terim kullanmanın konvansiyonu çok kafa karıştırıcıdır). Makine modu: bir sınıf etiketi döndürür (örneğin, "Premium Hesap" / "Temel Hesap"). Regresyon Modu bir değer döndürür (örneğin, fiyat).
NN bir regresör ise, çıkış katmanı tek bir düğüme sahiptir.
NN bir sınıflandırıcıysa, softmax kullanılmadığı sürece tek bir düğüme de sahiptir , bu durumda çıkış katmanı modelinizde sınıf etiketi başına bir düğüme sahiptir.
Gizli Katmanlar
Böylece bu birkaç kural hem giriş hem de çıkış katmanları için katman sayısını ve boyutunu (nöronlar / katman) belirler. Bu gizli katmanları bırakır.
Kaç tane gizli katman var? Verileriniz doğrusal olarak ayrılabilirse (ki bir NN'yi kodlamaya başladığınızda sıkça bildiğiniz), o zaman hiçbir gizli katmana ihtiyacınız yoktur. Tabii ki, verilerinizi de çözmek için bir NN'ye ihtiyacınız yok ama yine de işi yapacak.
Bunun ötesinde, muhtemelen bildiğiniz gibi, NN'lerde gizli katman konfigürasyonu sorusu üzerine bir yorum dağı var (bu yorumun mükemmel bir özeti için delicesine eksiksiz ve anlayışlı NN SSS bölümüne bakın ). Bu konuda bir fikir birliği bulunan bir konu, ek gizli katmanları eklemekten performans farkıdır: Performansın bir saniye (veya üçüncü, vb.) Gizli katmanla geliştirildiği durumlar çok azdır. Bir gizli katman, problemlerin büyük çoğunluğu için yeterlidir.
Öyleyse gizli katmanların boyutu ne kadar? Bazı ampirik olarak türetilmiş kurallar vardır, bunlardan en çok dayanan, ' gizli katmanın optimal büyüklüğü genellikle girdi katmanı ve çıktı katlarının büyüklüğü arasındadır '. Java'daki Yapay Sinir Ağlarına Giriş'in yazarı Jeff Heaton birkaç tane daha sunuyor.
Özetle, çoğu sorun için, yalnızca iki kuralı kullanarak gizli katman yapılandırmasını ayarlayarak muhtemelen iyi bir performans elde edilebilir (ikinci bir optimizasyon adımı olmasa bile): (i) gizli katman sayısı bir taneye eşittir; ve (ii) bu katmandaki nöronların sayısı girdi ve çıktı katmanlarındaki nöronların ortalamasıdır.
Ağ Yapılandırmasının Optimizasyonu
Budamahesaplama performansını ve bazen de çözünürlük performansını iyileştirmek için ağ boyutunu (katmanlara değil düğümlere göre) kırpmak için bir teknikler tarif eder. Bu tekniklerin özü, ağdan çıkarılırsa ağ performansını belirgin şekilde etkilemeyecek olan düğümleri (yani verilerin çözünürlüğü) etkilemeyen düğümleri belirleyerek, eğitim sırasında düğümleri ağdan çıkarmaktır. (Resmi bir budama tekniği kullanmasanız bile, antrenmandan sonra ağırlık matrisinize bakarak hangi düğümlerin önemli olmadığına dair kaba bir fikir edinebilirsiniz; sıfıra çok yakın ağırlıklara bakın; budama sırasında kaldırılır.) Açıkçası, eğitim sırasında budama algoritması kullanıyorsanız, o zaman aşırı (yani, 'budalabilir') düğümlere sahip olma olasılığı daha yüksek olan bir ağ yapılandırmasıyla başlayın.
Başka bir deyişle, eğitim sırasında ağınıza budama algoritması uygulayarak, en uygun ağ yapılandırmasına yaklaşabilirsiniz; Bunu tek bir "önden" yapıp yapamayacağınız (genetik algoritma tabanlı bir algoritma gibi) bilmiyorum, şu an için bu iki aşamalı optimizasyonun daha yaygın olduğunu biliyorum.