是否有任何充分的理由让二进制值 (0/1) 优于离散或连续的归一化值，例如 (1;3)，作为所有输入节点（有或没有反向传播）的前馈网络的输入？
当然，我只是在谈论可以转换为任何一种形式的输入；例如，当您有一个可以取多个值的变量时，要么直接将它们作为一个输入节点的值提供，要么为每个离散值形成一个二进制节点。并且假设所有输入节点的可能值范围都是相同的。有关这两种可能性的示例，请参见图片。
在研究这个话题时，我找不到任何冷酷的事实；在我看来，这 - 或多或少 - 最终总是“反复试验”。当然，每个离散输入值的二进制节点意味着更多的输入层节点（因此更多的隐藏层节点），但它真的会比在一个节点中具有相同的值产生更好的输出分类吗？隐藏层？
您是否同意这只是“试试看”，还是您对此有其他看法？
是否将输入变量转换为二进制取决于输入变量。您可以将神经网络输入视为一种“强度”：即，输入变量的值越大，表示该输入变量的强度越大。毕竟，假设网络只有一个输入，网络的给定隐藏节点将学习一些功能. 在哪里是传递函数（例如 sigmoid）和输入变量。
此设置对分类变量没有意义。如果类别由数字表示，则应用该功能没有意义给他们。例如，假设您的输入变量代表动物，绵羊=1 和牛=2。将羊乘以是没有意义的并添加对它来说，牛总是比羊大也没有意义。在这种情况下，您应该将离散编码转换为二进制 1-of-编码。
对于实值变量，只需将它们保留为实值（但归一化输入）。例如，假设您有两个输入变量，一个是动物，一个是动物的温度。您会将动物转换为 1-of-， 在哪里=动物的数量，你会保持原样的温度。
是的，有。想象一下，您的目标是构建一个二元分类器。然后，您将问题建模为估计伯努利分布，其中，给定特征向量，结果属于一类或相反。这种神经网络的输出是条件概率。如果大于 0.5，则将其与一个类相关联，否则与另一个类相关联。
为了得到很好的定义，输出必须介于 0 和 1 之间，因此您选择标签为 0 和 1，并最小化交叉熵，
我在解决问题时也面临同样的困境。我没有尝试这两种架构，但我的看法是，如果输入变量是离散的，那么神经网络的输出函数将具有脉冲函数的特性，神经网络擅长对脉冲函数进行建模。事实上，任何函数都可以用神经网络建模，其精度取决于神经网络的复杂性。唯一的区别是，在第一个架构中，您增加了输入的数量，因此您在第一个隐藏层的节点中有更多的权重来模拟脉冲函数，但是对于第二个架构，与第一个架构相比，您需要更多的隐藏层节点数获得相同的性能。