我正在使用scikit-neuralnetwork框架学习神经网络，并且我已经掌握了神经网络的基础知识，现在正尝试用scikit-learn来实现它。但我在两个问题上感到困惑。

1- 下面给出的这个神经网络的结构是什么？在一些例子中，我感觉有些人没有将输入层作为一个层来处理。否则，我认为这是一个有两层的NN，输入层有100个节点，输出层有一个节点。

from sknn.mlp import Classifier, Layernn = Classifier(   layers=[    Layer("Maxout", units=100, pieces=2),    Layer("Softmax")],learning_rate=0.001,n_iter=25)nn.fit(X_train, y_train)

2- scikit-neuralnetwork会在上述代码中进行反向传播吗？

谢谢！

回答：

1- 在scikit-neuralnetwork框架中，输入层并未显示出来，但在我们输入训练数据时，系统会在后台将其作为一层创建。

nn.fit(X_train, y_train)

例如，假设我们使用的是鸢尾花数据集。它有3个类别，因此如果是这种情况，框架会从y_train中理解这一点，并创建3个类别的输入层。

y_train = [0,0,0,1,2,]X_train = [[ 7.1  3.   5.9  2.1]           [ 5.9  3.   4.2  1.5]           [ 5.5  2.4  3.7  1. ]           [ 6.1  2.8  4.7  1.2]           [ 5.   2.3  3.3  1. ]]

除了最后一层，其他所有层都是隐藏层。我在操作最后一层时发现了这个问题

    nn = Classifier(    layers=[            Layer("Maxout", units=100, pieces=2),            Layer("Softmax",units=1)],   -----> 如果units是3就没问题！            learning_rate=0.001,            n_iter=25)    "数据集大小与输出层中的units不匹配。"    AssertionError: 数据集大小与输出层中的units不匹配。

2- 更详细的解释；感谢@robintibor在datascience.stackexchange上的回答。他在这里解释了这两个问题 解释

也感谢@user7534232的回答 🙂