从技术上讲，对于大多数语言，您可以为输入层传递整数特征，因为权重将是浮点数，并且将浮点数乘以整数将为您提供浮点数。此外，您通常不关心输入数据的偏导数，因此这些值是否离散并不重要。

然而：

• 对于所有权重和神经元激活，如果您使用基于反向传播的方法进行训练更新，那么您需要一种近似实数的数据类型，以便您可以基于微分应用分数更新。最佳权重值通常是小数，非整数。sigmoid 等非线性也会输出浮点数。因此，在输入层之后，无论如何您都有浮点值矩阵。将整数矩阵与浮点数相乘并没有太大的速度优势（可能甚至稍慢，具体取决于类型转换机制）。所以输入也可以是浮点数。

• 此外，为了有效训练，神经网络输入应该被归一化到一个特定的大致单位范围（-1.0 到 1.0）或均值 0，标准差 1.0。这两个都需要浮点表示。如果您的输入数据在 0-255 范围内（无论是否浮动），您通常会发现网络的学习效率较低。

在某些架构和学习算法中，这些规则存在例外情况，可能基于整数的输入会起作用，但对于最常见的 NN 类型，包括 MLP 和“深度”前馈网络，使用浮点数更简单、更容易数据类型。