请帮助我理解神经网络中的单元概念。根据书中所述，输入层中的一个单元代表训练元组的一个属性。然而，具体它是如何代表的并未详细说明。

这是相关的图表：

关于输入单元有两种“思考路径”。第一种可能是X1代表attr1，X2代表attr2…另一种可能是X1、X2和X3都代表attr1，但X1代表Value.VALUE_ONE，…，X3代表Value.VALUE_THREE。因此，在最少的情况下，如果attr1 = Value.VALUE_TWO，它将被加权并同时馈送到第二层。

public class Tuple{  private Value attr1  private Value attr2  private Value attr3}public enum Value{  VALUE_ONE,  VALUE_TWO,  VALUE_THREE}

第二个问题是关于隐藏层单元的。如何决定隐藏层中应该有多少单元，以及它们在模型中代表什么？

回答：

“单元”只是浮点值。

所有在这里发生的计算都是向量乘法，因此可以使用矩阵乘法和GPU硬件很好地并行化。

一般的计算看起来像这样：

double v phi(double[] x, double[] w, double theta) {  double sum = theta;  for(int i = 0; i < x.length; i++)    sum += x[i] * w[i];  return tanh(sum);}

但你不希望自己在Java代码中这样做。你希望在GPU上以并行方式进行，因为这将快100倍。