在实现人工神经网络时，是否应该忽略输入层？答案

【问题标题】：When implementing Artificial Neural Networks, should the input layer be ignored?在实现人工神经网络时，是否应该忽略输入层？
【发布时间】：2013-10-16 00:03:46
【问题描述】：

我正在尝试在 c# 中实现人工神经网络，但我并不完全理解输入层的目的是什么。它不做任何处理，因为它的神经元和输入之间的连接没有权重。

考虑以下代码：

    //Network
    public void Compute(float[] input) {
        layers[0].Compute(input); 

        for (int i = 1; i < layers.Length; i++) {
            layers[i].Compute(layers[i - 1].Output);
        }
    }

    //Layer
    public void Compute(float[] input) {
        for (int i = 0; i < neurons.Length; i++) {
            output[i] = neurons[i].Compute(input);
        }
    }

    //Neuron
    public float Compute(float[] Input) {
        float output = 0.0f;
        for (int i = 0; i < Input.Length; i++) {
            output += Input[i] * weights[i];
        }

        return (output);
    }

向网络添加层时，我不需要添加输入层，因为输入数组直接传递给隐藏/输出层。那是对的吗？如果是，那么 AForge.Net 库似乎做错了。 AForge 库向网络添加了输入层，但它也向连接添加了权重。

总结一下，看看这三个网络图：

三个图表中哪一个是正确的？

我猜你可以说我正在实现一个虚拟输入层（没有将它添加到网络中，但输入数组基本上是输入层）。如果是这样，hoppfield 网络将如何实现？它有一层，既是输入层，又是输出层。在那种情况下，我的实现会产生错误的结果，因为会存在一个虚拟输入层。这意味着需要一个完全不同的输入层实现来允许神经元与输入只有 1 个连接。

这真的很混乱，我希望有人能为我澄清一下。

【问题讨论】：

标签： c# aforge

【解决方案1】：

在传统术语中，“输入层”是一组输出输入的神经元，因此它们可以被实际执行计算的更多层消耗。输入神经元不进行计算，因为它们没有任何输入来进行计算。

所以你的理解是正确的。在“传统”图中，输入层不是“计算层”。您只需要实现实际的“计算层”。

从我在您的帖子中看到的内容来看，AForge 库似乎只是使用了不同的术语，即它可能将第一个计算层（正在读取输入的计算层）称为输入层。

【讨论】：