如何从神经网络获取实值连续输出？

到目前为止，在我所见过的大多数神经网络示例中，都使用该网络进行分类，并使用S型函数对节点进行变换。但是，我想使用神经网络来输出连续的实际值（实际上，输出通常在-5到+5范围内）。

我的问题是：

1. Should I still scale the input features using feature scaling? What range?
2. What transformation function should I use in place of the sigmoid?

我希望最初实现它来描述这些层类型的 PyBrain 。

所以我在想应该有3个都是线性层的图层开始（输入，隐藏和输出层）？那是合理的方法吗？还是可以在-5到5的范围内“拉伸” S型函数？

1。是否仍应使用要素缩放来缩放输入要素？什么范围

扩展不会使任何事情变得更糟。阅读Sarle的神经网络的常见问题解答：主题：是否应该对数据进行规范化/标准化/重新缩放？。

2。我应该使用什么转换函数来代替Sigmoid？

您可以将逻辑S形或tanh用作激活函数。没关系 您不必更改学习算法。您只需要将训练集的输出缩放到输出层激活功能的范围（或），并且在训练网络时，就必须缩放您的网络的输出。网络到。您真的不需要更改任何其他内容。$[0,1]$$[-1,1]$$[-5,5]$

免责声明：提出的方法对于连续值不可行，但我确实认为Smarty77在项目决策中具有一定的分量，这为利用重新缩放的S型函数提供了一个很好的观点。本质上，S形函数会产生概率，该概率描述了采样成功率（即，具有这些特征的100张照片中有95张成功成为“狗”）。描述的最终结果是二进制结果，使用“二进制交叉熵”进行的训练描述了分离完全相反的结果的过程，该过程固有地阻碍了中间结果。输出的连续体仅在此处用于根据样本数量进行缩放（即0.9761的结果表示，在显示那些或类似三叉戟的10000个样本中，9761是“狗”），但每个结果本身仍必须视为二进制且不能任意粒度。因此，不应将其误认为是实数，并且在这里可能不适用。尽管我不确定网络的利用率，但我将标准化输出向量wrt本身。这可以通过softmax完成。这也将需要来自网络的11个线性输出（箱）（每个输出-5至+5一个），每个类别一个。它将为任何一个“ bin”提供正确答案的保证值。这种架构可以使用一键编码进行训练，其中1表示正确的bin。然后可以用某种方式来解释结果，例如贪婪策略或概率抽样。但是，要将其重铸为连续变量，每个索引的确定性可以用作在数字线上放置标记的权重（类似于S型单元的行为），但这也突出了主要问题：如果网络相当确定，结果为-2或+3，但绝对可以肯定，+ 1是可行的结果吗？谢谢您的考虑。祝您项目顺利。