神经网络学习近似期望输出，因此可以使用未知的测试集，并根据各自的类别对每个测试样本进行分类。例如，神经网络可以学习分类手写数字，并识别手写的’9’为数值9。

神经网络如何将训练样本的输出与期望输出进行比较？期望输出在神经网络结构中采用什么样的编码方式？

回答：

主要思想是，你不会为所有事物创建一个单一的输出并询问“这是什么数字？？”。你为每个数字创建一个输出，并询问每个输出“这是数字x吗？？”。

因此，期望输出必须编码为一个1Xn向量，其中n是类别的数量。所有值都将是0，而期望类别的值将是1。例如，在你的情况下，创建一个1X10向量，并将零编码为

[1 0 0 0 0 0 0 0 0 0]

将一编码为

[0 1 0 0 0 0 0 0 0 0]

将九编码为

[0 0 0 0 0 0 0 0 0 1]

对于实际输出，创建一个具有10个输出的感知器。每个输出将给出[0,1]之间的值。具有最大值的输出获胜，并被视为1，而所有其他输出被视为0。因此，如果你的网络输出是

[0.1 0.05 0.02 0.92 0.4 ....]

这些对应于数字[0 1 2 3 4 ..]的投票，因此分类器建议的数字是三