在神经网络理论中，设置隐藏层的规模似乎是一个非常重要的问题。选择隐藏层中神经元数量的标准是什么？
回答：
是的，这确实是一个非常重要的问题。基本上，有两种方法可以做到这一点：
- 尝试不同的拓扑结构并选择最佳的：由于神经元和层的数量是离散参数，你无法通过这些参数来对损失函数进行微分以使用梯度下降方法。因此，最简单的方法是设置不同的拓扑结构，并使用交叉验证或将训练集划分为训练/测试/验证部分来比较它们。你也可以使用网格/随机搜索方案来做到这一点。像
scikit-learn这样的库有适当的模块来实现这一点。 - Dropout：一种称为dropout的训练框架也可能有帮助。在这种情况下，你设置相对较多的节点在你的层中，并尝试调整每一层的dropout参数。在这种情况下，例如，假设你有一个两层网络，隐藏层有
100个节点，dropout_parameter = 0.6，你正在学习模型的混合——其中每个模型是一个神经网络，大小为40（大约60个节点被关闭）。这也可以被视为为你的任务找出最佳拓扑结构的方法。
