利用BP神经网络进行预测的一些问题

[casen_xu]

我编写了一个三层的神经网络模型的demo，当我使用的样本数量只有几个的时候，预测结果大致是在正常范围内的。可是当我使用同样的模型进行大量样本数据的学习和训练后，再进行预测，预测结果大多为 1 。使用的函数是Sigmoid函数。请问这个是为什么？是因为我的三层模型过于简单，进行不了过多的样本数据学习吗？
如果我要对上万个样本进行学习，训练规则，然后进行预测。那么我是不是必须得加大神经网络的隐含层层数和其节点数呢？加到什么数量比较合适？
PS：每一个样本向量都是 9 维的，而且所有样本数据都是0~1之间的含有6个左右小数位的小数，差别不是很大。需要预测的结果是输出是 1 维的，同样是0~1之间的含有6位左右小数位的小数。
求解答，多谢。

[以专业开发人员为伍]

实际上神经网络最初的“数据是一个因果矩阵”的假设都是刻意人为的，因此人为地胡乱清洗数据往往让结果面目全非。 不知道你的数据设计，也就无法理解你的问题。

[casen_xu]

引用 1 楼 sp1234 的回复:

实际上神经网络最初的“数据是一个因果矩阵”的假设都是刻意人为的，因此人为地胡乱清洗数据往往让结果面目全非。 不知道你的数据设计，也就无法理解你的问题。

我的数据就是一个矩阵，矩阵的每一行是一个神经网络的输入向量（9维），有多少个样本就有多少行（n行）。预期的结果矩阵是一个只有一列，有 n 行的矩阵。 问题就是，如果我的 n 比较小，则经过学习训练后，我进行预测，得到的预测结果大致是正确的。而当我的 n 变得比较大的时候，预测结果就近似等于1了。 这是为什么？

[casen_xu]

引用 1 楼 sp1234 的回复:

实际上神经网络最初的“数据是一个因果矩阵”的假设都是刻意人为的，因此人为地胡乱清洗数据往往让结果面目全非。 不知道你的数据设计，也就无法理解你的问题。

我的矩阵中的数据来自两幅图像，每个数字都是图像的像元值。目的是对图像的演变进行学习训练，然后进行预测。