如何确定竞争学习ANN输出层的神经元数量？是否与待分类数有关

如何确定输出层的神经元数量 #

分两种常见的使用场景判断：

• 无监督聚类场景（比如自组织映射SOM、无监督版学习向量量化LVQ）：没有固定的标准答案，核心参考两个维度，一是数据集的规模和特征复杂度，样本量越大、特征维度越高，需要的神经元数量越多；二是你需要的聚类粒度，想要得到更细的分类簇就多设神经元，想要更粗的聚合结果就少设。实际操作中可以先通过肘部法、轮廓系数预估数据集的隐含聚类中心数量，再在这个数值的基础上上下浮动10%~30%做调参，最终选效果最好的数值即可。
• 有监督分类场景：如果采用常规的单热编码输出规则，直接把神经元数量设为分类任务的类别总数即可；如果使用二进制等特殊编码方式，神经元数量可以少于类别总数，但这类方案在竞争学习场景中极少使用。

输出层神经元数量是否取决于需要预测的分类类别总数 #

这个结论要分场景判断，不能一概而论：

无监督场景下完全不依赖预设的分类类别总数。这类竞争学习的核心就是从无标注数据里自动挖掘隐含的类别模式，你预先根本不知道准确的分类总数，神经元数量完全由数据分布、聚类粒度需求决定。
有监督分类场景下，绝大多数情况确实和分类类别总数强相关，尤其是常规的单热编码输出场景，神经元数量等于类别总数，只有极少数用特殊编码的场景可以脱离这个限制。

实践小提示 #

很多从业者做竞争学习训练时，会先把输出神经元数量设置得比预估的数量多20%左右，训练完成后再把全程没有被激活过的"死神经元"删掉，这样可以避免初始数值设得太小漏掉潜在的类别模式。

内容的提问来源于stack exchange，提问作者Lakshan Weerasinghe