我正在尝试使用神经网络解决分类问题。由于我正在使用Scala的JVM，因此选择了Encog 3.x库。如果有更好的库可以处理这个问题，请告诉我。
我一直在使用弹性反向传播算法。我有一个隐藏层，例如3个输出神经元，分别对应3个目标类别。因此，理想的输出应该是1/0/0、0/1/0或0/0/1。现在的问题是训练试图最小化误差，例如，如果理想输出为1/0/0，则将0.6/0.2/0.2变成0.8/0.1/0.1。但是，由于我选择最高值作为预测的类别，所以这对我来说并不重要，我希望训练能够更加努力地减少错误预测次数。
因此，我学习到应该将softmax函数用作输出（虽然我不确定这是否会成为第四层，或者我只需用softmax替换第三层的激活函数），然后让训练减少交叉熵。现在我认为这个交叉熵需要计算整个网络或整个输出层，但是可以自定义的ErrorFunction根据神经元逐个计算误差（读取理想输入和实际输入的数组，写入误差值的数组）。那么，如何使用Encog（或其他基于JVM的库）进行交叉熵最小化呢？
我一直在使用弹性反向传播算法。我有一个隐藏层，例如3个输出神经元，分别对应3个目标类别。因此，理想的输出应该是1/0/0、0/1/0或0/0/1。现在的问题是训练试图最小化误差，例如，如果理想输出为1/0/0，则将0.6/0.2/0.2变成0.8/0.1/0.1。但是，由于我选择最高值作为预测的类别，所以这对我来说并不重要，我希望训练能够更加努力地减少错误预测次数。
因此，我学习到应该将softmax函数用作输出（虽然我不确定这是否会成为第四层，或者我只需用softmax替换第三层的激活函数），然后让训练减少交叉熵。现在我认为这个交叉熵需要计算整个网络或整个输出层，但是可以自定义的ErrorFunction根据神经元逐个计算误差（读取理想输入和实际输入的数组，写入误差值的数组）。那么，如何使用Encog（或其他基于JVM的库）进行交叉熵最小化呢？