神经网络：输入层是否包含神经元？

Question

我目前正在研究神经网络理论，并且发现到处都有它由以下几层组成：

• 输入层
• 隐藏层
• 输出层

我看到一些图形描述将输入层显示为网络中的真实节点，而另一些图形描述将该层显示为值[x1，x2，... xn]的向量

正确的结构是什么？

“输入层”是神经元的真实层吗？还是将其抽象地命名为图层，而实际上只是输入向量？

添加我在网上发现的矛盾和混乱的照片：

在这里看起来输入层由神经元组成：

在这里，看起来输入层只是一个输入向量：

Answer 1

“输入层”是真正的神经元层吗？或者这只是抽象地命名为层，而它实际上只是输入向量？

是的，两者都是——取决于抽象。在纸面上，网络有输入神经元。在实现级别上，您必须组织这些数据（通常使用数组/向量），这就是您谈到输入向量的原因：

输入向量保存输入神经元值（代表输入层）。

如果您熟悉图论或图像处理的基础知识 - 这是相同的原理。例如，您可以将图像称为矩阵（技术视图）或像素域（更抽象的视图）。

Answer 2

让我用一些数学符号来回答你的问题，这比随机图像更容易理解。首先，记住感知器。

感知器的任务是找到一个决策函数，将给定集合中的一些点分为 n 个类别。所以，对于一个函数

f : R^n -> R , f(X) = <W, X> + b

其中 W 是权重向量，X 是点向量。例如，如果您有一条由方程定义的线3x + y = 0，则 W 为(3,1)且 X 为(x,y)。

神经网络可以被认为是一个图，其中图的每个顶点都是一个简单的感知器 - 也就是说，网络中的每个节点只不过是一个函数，它接受一些值并输出一个新值，然后可以使用它为下一个节点。在你的第二张图片中，这将是两个隐藏层。

那么这些节点需要什么作为输入呢？一组 W 和 X - 权重和点向量。x0, x1, .. xn在你的图像中由和表示w0, w1, .. wn。

最终，我们可以得出结论，神经网络需要运行的是一组权重和点的输入向量。

我给你的总体建议是选择一个学习来源并坚持下去，而不是在互联网上浏览相互矛盾的图像。