我正在尝试理解如何训练多层感知器网络；然而，我在确定合适的网络架构时遇到了麻烦——即，如何决定网络中每层的节点/神经元数量。

对于一个特定任务，我有四个输入源，每个输入源可以输入三种状态中的一种。我猜这意味着有四个输入神经元可以输出0、1或2，但据我所知，输入应该保持二进制？

此外，我在选择隐藏层的神经元数量时也遇到了问题。任何评论都将不胜感激。

谢谢。

回答：

确定多层感知器的可接受网络结构实际上是直截了当的。

1. 输入层：你的数据有多少特征/维度——即，每行数据有多少列。在此基础上加一（用于偏置节点），这就是第一层（输入层）的节点数量。

2. 输出层：你的多层感知器是运行在“分类”模式还是“回归”模式（此处“回归”指的是机器学习中的概念，而非统计学意义上的回归）——即，我的多层感知器是返回一个类别标签还是一个预测值？如果是后者，那么你的输出层只有一个节点。如果是前者，那么你的输出层节点数量与类别标签数量相同。例如，如果你想要的结果是将每个实例标记为“欺诈”或“非欺诈”，那就是两个类别标签，因此，输出层有两个节点。

3. 隐藏层：在这两层（输入层和输出层）之间显然是隐藏层。总是从单个隐藏层开始。那么，隐藏层需要多少节点呢？这里有一个经验法则：将隐藏层的（初始）大小设置为略大于输入层节点数量的节点数。与输入层节点数较少的情况相比，这种多余的容量将有助于你的数值优化例程（例如，梯度下降）收敛。

总之，开始时你的网络架构应包含三层；第一层（输入层）和最后一层（输出层）的大小分别由你的数据和模型设计决定。一个略大于输入层的隐藏层几乎总是开始时的好设计。

所以在你的情况下，一个合适的网络结构开始应该是：

输入层：5个节点 –> 隐藏层：7个节点 –> 输出层：3个节点