医学图像分类神经网络,神经网络和图神经网络

输入层是几维的输出层是几维的

输入层是几维的输出层是第n层，等于3n-2,3n-1,3n。虽是3层神经网络，但是去叫做两层BP网络，因为输入层一般不算做一层。

n就该取2，s1就是隐含层节点数，选取的公式是Hornik提出的公式，可以算的s1取值范围，到时自己选取合适值，s2就是你输出层节点数，也就是输出维数。

输出层特点：不论何种类型的人工神经网络，它们共同的特点是，大规模并行处理，分布式存储，弹性拓扑，高度冗余和非线性运算。因而具有很髙的运算速度，很强的联想能力，很强的适应性，很强的容错能力和自组织能力。

这些特点和能力构成了人工神经网络模拟智能活动的技术基础。并在广阔的领域获得了重要的应用。

例如，在通信领域，人工神经网络可以用于数据压缩、图像处理、矢量编码、差错控制（纠错和检错编码）、自适应信号处理、自适应均衡、信号检测、模式识别、ATM流量控制、路由选择、通信网优化和智能网管理等等。

谷歌人工智能写作项目：小发猫

卷积神经网络中三维卷积核对应的偏置应该是几维的，是一个数还是几维的？

CNNs卷积神经网络算法最后输出的是什么，一维向量？和原始输入图像有什么关系呢？

看你的目的是什么了，一般传统分类的输出是图片的种类，也就是你说的一维向量，前提是你输入图像是也是一维的label。

如果你输入的是一个矩阵的label，也可以通过调整网络的kernel达到输出一个矩阵的labels。

bp神经网络算法适合输入数据是2000维的吗

卷积神经网络用全连接层的参数是怎么确定的?

卷积神经网络用全连接层的参数确定：卷积神经网络与传统的人脸检测方法不同，它是通过直接作用于输入样本，用样本来训练网络并最终实现检测任务的。

它是非参数型的人脸检测方法，可以省去传统方法中建模、参数估计以及参数检验、重建模型等的一系列复杂过程。本文针对图像中任意大小、位置、姿势、方向、肤色、面部表情和光照条件的人脸。

输入层卷积神经网络的输入层可以处理多维数据，常见地，一维卷积神经网络的输入层接收一维或二维数组，其中一维数组通常为时间或频谱采样；二维数组可能包含多个通道；二维卷积神经网络的输入层接收二维或三维数组；三维卷积神经网络的输入层接收四维数组。

由于卷积神经网络在计算机视觉领域应用较广，因此许多研究在介绍其结构时预先假设了三维输入数据，即平面上的二维像素点和RGB通道。

神经网络中输入特征数据是向量，这里的向量怎么理解？是物理中有方向的数据的意思吗？

神经网络可以将多维数据降成一维吗

这需要看你的实际需求了，一般使用二次型就行，这样的话输入节点1000！

个，维度这么大我想应该有很大数据是冗余的，可以先用PCA降低下维度1000维度（通道）有点夸张，还是说只是单维度下，有连续1000个输入作为一组样本。

bp神经网络的输入和目标矢量具体是什么意思