artificial-intelligence之神经网络中的连续输出

如何设置神经网络，以便它们接受和输出连续范围的值而不是离散值？
根据我几年前做神经网络类(class)的记忆，激活函数将是一个 sigmoid，它产生一个介于 0 和 1 之间的值。如果我希望我的神经网络产生一个实值标量，我应该怎么做?我想也许如果我想要一个介于 0 和 10 之间的值，我可以将值乘以 10？如果我有负值怎么办？这是人们通常做的还是有其他方法？输入呢？

谢谢

请您参考如下方法:

neuroevolution 领域的大部分工作涉及使用具有连续输入和输出的神经网络。

有几种常见的方法:

每个值一个节点

线性激活函数 - 正如其他人所指出的，如果您担心 sigmoid 函数的范围有限，您可以在输出节点上使用非 sigmoid 激活函数。但是，这可能会导致您的输出变得任意大，这可能会导致训练期间出现问题。

Sigmoid 激活函数 - 简单地缩放 sigmoid 输出(或移位和缩放，如果你想要负值)是神经进化中的一种常见方法。但是，值得确保您的 sigmoid 函数不太陡峭:陡峭的激活函数意味着“有用”的值范围很小，这会迫使网络权重很小。 (这主要是遗传算法的问题，它使用固定的权重修改策略，当需要小权重时效果不佳。)

(来源: natekohl.net)

(来源: natekohl.net)

每个值多个节点 - 在多个节点上传播单个连续值是表示连续输入的常用策略。它的好处是为网络提供更多“功能”，但以增加网络规模为代价。

分箱 - 将单个输入分布在多个节点上(例如 RBF networks，其中每个节点都是具有不同中心的基函数，将被输入部分激活)。您可以在不丢失平滑表示的情况下获得离散输入的一些好处。

二进制表示 - 将单个连续值分成 2N 个 block ，然后将该值作为二进制模式输入网络中的 N 个节点。这种方法紧凑，但有点脆弱，并导致输入以非连续方式变化。