搭建多层神经网络

实验目的

理解多层神经网络的结构，知道隐藏层和激活函数的作用。

实验原理

多层神经网络由输入层、若干隐藏层和输出层组成，相邻层的神经元通过权重连接。每个神经元对上一层输出加权求和并加偏置，再经激活函数得到输出，信息逐层向前传递，称为前向传播。激活函数引入非线性，隐藏层增多后网络能表达更复杂的关系，可解决单个神经元无法划分的问题。

实验器材

• 输入层
• 隐藏层
• 输出层
• 每层神经元数量
• 激活函数
• 神经元之间的连接权重

实验步骤

1. 明确任务的输入是什么、输出是什么。
2. 添加隐藏层，并设置每层的神经元数量。
3. 选择合适的激活函数。
4. 运行网络，观察输出或分类效果。
5. 增减层数或神经元数量，对比效果变化。

实验现象与结论

结构过于简单时，网络难以处理复杂的分类或拟合任务；适当增加隐藏层和神经元后，效果通常有所改善。但结构过大会增加计算量，也可能带来过拟合。结论：网络结构需要根据任务来选择。

注意事项

• 结构并非越复杂越好，应结合效果和计算量来选择。

常见问题

隐藏层越多越好吗？

不一定。层数过多会增加计算量，还容易过拟合，要根据任务合理选择。

激活函数有什么作用？

激活函数引入非线性，使多层网络能表达复杂关系，否则多层与单层效果相近。