我应该如何设置我的输入神经元来接收我的输入答案

【问题标题】：How should I setup my input neurons to recieve my input我应该如何设置我的输入神经元来接收我的输入
【发布时间】：2014-10-11 18:10:08
【问题描述】：

我需要能够确定一个形状的绘制是否正确，

我有形状的样本数据，它包含形状和像素的顺序（由像素的颜色表示）

例如，您可以看到下采样图像和颜色变化

我无法确定需要定义的网络将接受这种训练输入。

我应该将 sampledown 图像转换为矩阵并输入吗？假设我的图像是 64x64，我需要 64x64 输入神经元（如果我忽略像素的颜色，我认为）是可行的解决方案吗？

如果您有任何指导，我可以使用它:)

【问题讨论】：

是的，下采样是一个传统的预处理步骤。如果只是数字识别，你甚至可以将像素二值化，这样输入就只是 16x16 或 64x64 的二值特征。
所以我应该创建64个输入神经元，一次输入一个像素列？如果我确实关心颜色，那么每个像素输入都应该是该像素颜色的强度？
如果在下采样之后，你有 64x64，那么你有一个 4096 个神经元的输入向量（你需要将这些行或列组合成一个一维数组）。如果要保持颜色的强度，例如 R/G/B，则必须将输入数量增加三倍，因此神经元的数量变为 4096x3。我建议你进一步下采样，16x16 应该足够了，输入层只有 256 个神经元。

【解决方案1】：

我给你一个例子如下。它是字母c 的二值化 4x4 图像。您可以连接行或列。如图所示，我按列连接。然后将每个像素映射到一个输入神经元（总共 16 个输入神经元）。在输出层，我有 26 个输出，字母 a 到 z。

注意，在图中，为简单起见，我没有将层 i 到层 i+1 的所有节点都连接起来，您可能应该连接所有节点。

在输出层，我突出显示c 的节点，表示对于这个训练实例，c 是目标标签。期望的输入和输出向量列在图的底部。

如果您想保持颜色的强度，例如 R/G/B，那么您必须将输入数量增加三倍。每个单个像素都被三个神经元替换。

希望这有助于更多。为了进一步阅读，我强烈建议 Andrew Ng 的深度学习教程here - UFLDL。这是此类图像识别问题的最新技术。在本教程的练习中，您将接受对图像进行预处理的强化训练，并使用许多图像处理工程技巧，以及有趣的端到端深度学习算法。

【讨论】：