Ⅰ 神經網路對輸入變數個數有沒有要求，六十個可以嗎
可以，但是網路規模太大，很臃腫，需要調整的參數過多，影響收斂速度。
關於隱層節點數：在BP 網路中，隱層節點數的選擇非常重要，它不僅對建立的神經網路模型的性能影響很大，而且是訓練時出現「過擬合」的直接原因，但是目前理論上還沒有一種科學的和普遍的確定方法。 目前多數文獻中提出的確定隱層節點數的計算公式都是針對訓練樣本任意多的情況，而且多數是針對最不利的情況，一般工程實踐中很難滿足，不宜採用。事實上，各種計算公式得到的隱層節點數有時相差幾倍甚至上百倍。為盡可能避免訓練時出現「過擬合」現象，保證足夠高的網路性能和泛化能力，確定隱層節點數的最基本原則是：在滿足精度要求的前提下取盡可能緊湊的結構，即取盡可能少的隱層節點數。研究表明，隱層節點數不僅與輸入/輸出層的節點數有關，更與需解決的問題的復雜程度和轉換函數的型式以及樣本數據的特性等因素有關。
在確定隱層節點數時必須滿足下列條件：
（1）隱層節點數必須小於N-1（其中N為訓練樣本數），否則，網路模型的系統誤差與訓練樣本的特性無關而趨於零，即建立的網路模型沒有泛化能力，也沒有任何實用價值。同理可推得：輸入層的節點數（變數數）必須小於N-1。
(2) 訓練樣本數必須多於網路模型的連接權數，一般為2~10倍，否則，樣本必須分成幾部分並採用「輪流訓練」的方法才可能得到可靠的神經網路模型。
總之，若隱層節點數太少，網路可能根本不能訓練或網路性能很差；若隱層節點數太多，雖然可使網路的系統誤差減小，但一方面使網路訓練時間延長，另一方面，訓練容易陷入局部極小點而得不到最優點，也是訓練時出現「過擬合」的內在原因。因此，合理隱層節點數應在綜合考慮網路結構復雜程度和誤差大小的情況下用節點刪除法和擴張法確定。
Ⅱ rbf神經網路的輸入參數個數有上限么
沒有規定說只能有一個輸出，輸出向量維數也是根據你的輸出樣本確定的。在RBF網路之前訓練，需要給出輸入向量X和目標向量T，訓練的目的是要求得第一層和第二層之間的權值W1、閥值B1，和第二層與第三層之間的權值W2、閥值B2。整個網路的訓練分為兩步，第一部是無監督的學習，求W1、B1。第二步是有監督的學習求W2、B2。newrbe（）函數：和newrb（）功能差不多，用於創建一個精確地神經網路，能夠基於設計向量快速的無誤差的設計一個徑向基網路。該函數在創建RBF網路的時候，自動選擇隱含層數目，隱藏層的數目等於樣本輸入向量的數目，使得誤差為0。在樣本輸入向量非常多的情況下，用rbe就不大合適。
Ⅲ 神經網路一個隱含層通常有幾個節點數阿
一個最簡單的分類，是在平面上畫一條直線，左邊為類0，右邊為類1，直線表示為
這是一個分類器，輸入(x,y)，那麼，要求的參數有三個:a,b,c。另外注意c的作用，如果沒有c，這條直線一定會過原點。
因此，我們可以設計一個簡單的神經網路，包含兩層，輸入層有三個節點，代表x,y,1，三條線分別代表a,b,cg(z)對傳入的值x進行判別，並輸出結果。
但是，由於z的值可能為[],為了方便處理，需要將其壓縮到一個合理的范圍，還需sigmoid函數:
這樣的激勵函數，能夠將剛才的區間，壓縮到
Ⅳ 人工智慧神經網路
1.
x=2.0,w=2.3,b=-3
y=wx+b=1.6
1)硬極限就是大於0就是1，小於等於0就取0，所以答案是1
2)線性函數輸入是多少，輸出就是多少，所以答案是1.6
3)對數-S型函數，應該是應用sigmoid函數，y=1/(1+e^(-1.6))=0.832
2.你打錯字了？把「是」打成「時」了？
x=2.0,w=2.3,b=-3
y=wx+b=1.6
1)傳輸函數的凈輸入是1.6
2)神經元的輸出是1.6(沒有給傳輸函數是啥，所以這個可能是沒有經過傳輸函數的輸出吧。)
3.
1)6個輸入，2個輸出，所以有8個神經元。
2)6個w，所以是6維
3)採用sigmoid函數，輸出就會是0和1之間的連續值了。
4)為了使網路具有更好的性能,可以提高容錯性和存儲容量，可以採用偏值
以上答案僅供參考。第一題應該沒有問題，後兩題不太確定。
Ⅳ 神經網路的數據量多少比較合適
一般來說要1萬以上，越多越好，但要保證採集標准統一，且輸出為相同的數據不能太多。