解决螺旋数据集分类问题的网络结构及方法

熟悉了神经网络游乐场页面组成后，正如网页中英文表述的“在你的浏览器里修改神经网络。别担心，我们保证你不会弄坏的。”读者可以任意点击选择构建一个神经网络，下面以较为复杂的螺旋数据集分类问题为例，看一下使用神经网络对数据的分类效果。

螺旋数据集较为复杂，简单的神经网络难以将其分开。首先选择增加特征的类型，不仅使用常规的横坐标和纵坐标参数X1、X2，而且增加了其他五种特征X12、X22、X1X2、sin（X1）、sin（X2）作为网络的输入。图4-8是能够实现螺旋数据集分类的一个网络结构，大约需要迭代400次就将数据集基本分类正确，最后的Testloss为0.01。

图4-8　七种数据特征时的分类网络

事实上，在实际问题求解中，数据特征往往需要专家花费大量时间成本进行设计，在只有原始数据的情况下，如果仅以X1、X2作为网络输入，需要通过增加网络隐含层的数量以及每层神经元的数量来进行解决，如图4-9所示。(www.xing528.com)

图4-9　两种数据特征时的分类网络

对比上面两个网络结构的例子可以看出，当数据集的特征难以手工设计时，可以通过增加网络的深度和神经元的数量来解决。这也是神经网络的迷人之处，其对于输入数据的特征提取和计算可以不依赖于过多人工干预，只要设计足够复杂的网络结构，增加网络的深度和神经元数量，网络就会自己提取和计算出分类模型。这也是深度学习的优势之一，这一优势为深度神经网络解决现实问题奠定了基础。