我见过的所有样本和文章的输出都为 1 或更少。为什么没有人使用 NN 来生成更高值的整数，是否有隐藏的原因？我的情况是我希望 NN 预测确切的结果值而不是 -1
如果我有一个带有 4 个输入和 1 个输出的 NN，第 1 轮输入：51,22,35,43 输出：847 第 2 轮输入：25,31,46,29 输出：761 我想要第 n 轮输入：51,33 ,19,27 输出：？？？（期望值）
我读过 GA 在训练 NN 方面效果更好，但很少有例子可以指导像我这样的初学者。我还没有看到关于如何完成这项工作的详细文章。使用上面的相同示例，如果我使用第 1 轮误差值从第一次进化中获得（接近）最佳权重，我是否将权重添加为第 2 轮下一代中的父母？我如何确保前几轮中最好的染色体在那一代之后不会死亡。
非常感谢现有文章的链接和详细解释。谢谢。
听起来您想使用神经网络来解决回归问题而不是分类问题。
这篇文章给出了一个使用神经网络进行回归的例子。
你在文献中看到的很多神经网络示例都是在做分类问题，例如 LeNet、AlexNet、Inception 等都是图像分类问题。在这个领域中，神经网络给出 0 到 1 之间的输出是很有用的，因为在某种意义上，0 到 1 之间的输出可以解释为概率。这些网络输出 0 到 1 之间的数字的原因在于网络的层激活。这些网络中的最后一层通常是 softmax 层（或者，如果您只是进行二进制分类，则为 sigmoid 层）。Softmax 和 sigmoid 函数具有很好的属性，它们给出 0 到 1 之间的输出（softmax 具有附加的很好的属性，它给出的输出总和为 1）。如果您希望您的神经网络能够输出不在 0 和 1 之间的数字，只需更改您的激活功能。您可以使用线性层而不是 softmax 最后一层。在这种情况下，将您正在使用的损失函数更改为可能的均方误差（例如，二进制交叉熵在负数上效果不佳）也是有意义的。没有什么能阻止你使用深度神经网络来执行回归而不是分类。