有人应该添加”net#”作为标签。我正在尝试通过使用以下教程，将我的Azure机器学习工作室中的神经网络改造成卷积神经网络：
https://gallery.cortanaintelligence.com/Experiment/Neural-Network-Convolution-and-pooling-deep-net-2
我的网络和教程之间的区别在于，我正在进行35个特征和1个标签的回归分析，而他们进行的是28×28个特征和10个标签的分类任务。
我从基本和第二个示例开始，并使它们工作如下：
input Data [35];hidden H1 [100] from Data all;hidden H2 [100] from H1 all;output Result [1] linear from H2 all;现在我对卷积的转换有些误解。在教程和这里的文档中：https://learn.microsoft.com/en-us/azure/machine-learning/machine-learning-azure-ml-netsharp-reference-guide 并未提及如何计算隐藏层的节点元组值。教程中说：
hidden C1 [5, 12, 12] from Picture convolve { InputShape = [28, 28]; KernelShape = [ 5, 5]; Stride = [ 2, 2]; MapCount = 5; }hidden C2 [50, 4, 4] from C1 convolve { InputShape = [ 5, 12, 12]; KernelShape = [ 1, 5, 5]; Stride = [ 1, 2, 2]; Sharing = [ F, T, T]; MapCount = 10; }看起来[5, 12, 12]和[50,4,4]以及KernelShape、Stride和MapCount这些值似乎凭空出现。我如何知道哪些值对我来说是有效的？我尝试使用相同的值，但它不起作用，我感觉因为他有[28,28]的输入而我有[35]，我需要使用两个整数而不是三个的元组。
我刚刚尝试了一些与教程相关的随机值：
const { T = true; F = false; }input Data [35];hidden C1 [7, 23] from Data convolve { InputShape = [35]; KernelShape = [7]; Stride = [2]; MapCount = 7; }hidden C2 [200, 6] from C1 convolve { InputShape = [ 7, 23]; KernelShape = [ 1, 7]; Stride = [ 1, 2]; Sharing = [ F, T]; MapCount = 14; }hidden H3 [100] from C2 all;output Result [1] linear from H3 all;目前似乎无法调试，因为Azure机器学习工作室唯一给出的错误代码是：
Exception":{"ErrorId":"LibraryException","ErrorCode":"1000","ExceptionType":"ModuleException","Message":"Error 1000: TLC library exception: Exception of type 'Microsoft.Numerics.AFxLibraryException' was thrown.","Exception":{"Library":"TLC","ExceptionType":"LibraryException","Message":"Exception of type 'Microsoft.Numerics.AFxLibraryException' was thrown."}}}Error: Error 1000: TLC library exception: Exception of type 'Microsoft.Numerics.AFxLibraryException' was thrown. Process exited with error code -2最后，我的设置是
感谢帮助！
回答：
对于35列长度的输入，使用给定的内核和步长，正确的网络定义如下：
const { T = true; F = false; }input Data [35];hidden C1 [7, 15] from Data convolve { InputShape = [35]; KernelShape = [7]; Stride = [2]; MapCount = 7; }hidden C2 [14, 7, 5] from C1 convolve { InputShape = [ 7, 15]; KernelShape = [ 1, 7]; Stride = [ 1, 2]; Sharing = [ F, T]; MapCount = 14; }hidden H3 [100] from C2 all;output Result [1] linear from H3 all;首先，C1 = [7,15]。第一个维度简单地是MapCount。对于第二个维度，内核形状定义了用于扫描输入列的“窗口”的长度，步长定义了每次移动的距离。因此，内核窗口将覆盖列1-7、3-9、5-11、…、29-35，当你计算窗口时，第二个维度为15。
接下来，C2 = [14,7,5]。第一个维度再次是MapCount。对于第二个和第三个维度，1乘7的内核“窗口”必须覆盖7乘15的输入大小，使用沿相应维度的1和2的步长。
请注意，如果你想平展输出，你可以指定C2隐藏层的形状为[98,5]甚至[490]。
