拥有更好吗？
1个输出神经元，其输出值在0到15之间，这将是我的最终值
或
16个输出神经元的输出值在0到1之间，代表该值的适用性？
示例：我们想通过输入学习的小时数和智商来找出学生的分数（从0到15）。
答案 0 :(得分：1)
TL; DR：我认为您的问题最好作为回归任务来处理，因此请使用一个输出神经元，但是两者都值得尝试。
与非常具体的答案相比，我不太喜欢您的问题的范围，所以我将更深入地说明什么才是正确的表述。
在开始之前，我们应该阐明经典人工神经网络执行的两个主要任务：
它们是inherently very different from one another；简而言之，分类试图在输入上放置标签（例如，输入图像显示狗），而回归试图预测数值（例如，输入数据对应的是一栋估价为150万美元的房子。
显然，您可以看到预测数值仅（通常）仅需要一个输出值。另外请注意，这仅对此特定示例有效。可能还有其他回归用例，在这些用例中，您希望输出的尺寸大于0（即单个点），而改为1D或2D。
例如，一个常见的示例是Image Colorization，我们也可以将其有趣地构造为分类问题。提供的链接显示了两者的示例。在这种情况下，您显然必须对每个像素进行回归（或分类），从而导致输出神经元不止一个。
现在，要解决您的实际问题，我想详细说明为什么首选热编码输出（即，具有与类一样多的通道的输出）的分类任务的原因。在单个神经元上。
由于我们可以认为单个神经元足以预测课程价值，因此我们必须了解为什么以这种方式进入特定课程会产生问题。
主要问题之一是变量的类型。在您的情况下，存在明确的顺序（15优于14优于13，依此类推），甚至存在间隔顺序（至少在纸面上），因为15和13之间的差异与14之间相同和12，尽管有些学者可能对此表示反对；-)
因此，您的目标是区间变量，因此理论上可以用于对其进行回归。以后再说。但是，例如考虑一个变量，该变量描述图像是描绘猫（0），狗（1）还是汽车（2）。现在，可以争论的是，我们甚至无法对变量进行排序（是汽车>狗，还是汽车<狗？），也不能说猫和狗之间存在“相等距离”（类似，因为两者都是动物？ ）或猫和汽车（彼此之间的差异可能更大）。因此，真正难以解释网络的单个输出值。假设输入图片的结果为1.4。
现在这仍然对应于狗吗？还是更接近汽车？但是，如果图像实际描绘的是一辆装有properties of a cat的汽车怎么办？
另一方面，具有3个独立的神经元以反映每个类别的不同概率可以消除该问题，因为每个人都可以描述相对“不受干扰”的概率。
另一个问题是在上一个示例中如何通过网络反向传播。传统上，分类任务使用Cross-Entropy Loss（CE），而回归使用均方误差（MSE）作为度量。两者本质上是不同的，尤其是CE和Softmax的组合导致非常convenient (and stable) derivations。
可以说，可以将舍入方法从1.4取整到一个简明的类值（在这种情况下为1），然后使用CE损失，但这可能会导致数值不稳定。另一方面，MSE永远不会给您“明确的类别价值”，而是更多的回归估计。
最后，问题归结为：我是否有分类或回归问题。就您的情况而言，我认为这两种方法都可以很好地起作用。 （分类）网络可能无法识别不同输出类别之间的相关性；即，具有14级可能性的学生基本上获得3分或更低评分的可能性为零。另一方面，由于其他原因，回归可能无法准确预测结果。
如果您有时间，我强烈建议您尝试两种方法。现在，考虑到目标的时间间隔类型，我个人将进行回归任务，并在训练网络后使用四舍五入法 并可以做出准确的预测。
答案 1 :(得分：0)
每个类最好有一个神经元（二进制分类除外）。就扩展现有设计而言，这允许更好的设计。一个简单的示例是创建一个用于识别数字0到9的网络，然后将设计从0到F更改为十六进制。
