TL;DR：我认为你的问题最好作为回归任务来构建，因此使用一个输出神经元，但值得尝试两者。
与非常具体的答案相比，我不太喜欢你的问题的广泛性，所以我将更深入地解释什么才是正确的表述。
在开始之前，我们应该澄清经典人工神经网络执行的两大任务：
- 分类
- 回归
他们是本质上彼此非常不同 https://math.stackexchange.com/questions/141381/regression-vs-classification;简而言之，分类试图在你的输入上贴上标签（例如，输入图像显示dog），而回归尝试预测一个数值（例如，输入数据对应于具有估计价值150万美元).
显然，您可以看到预测数值只需要（简单地）one产值。另请注意，这仅适用于这个具体的例子。可能还有其他回归用例，在这些用例中，您希望输出的维度超过 0（即单个点），而是 1D 或 2D。
一个常见的例子是图像着色 http://cs231n.stanford.edu/reports/2016/pdfs/219_Report.pdf，有趣的是，我们也可以将其框架为分类问题。提供的链接显示了两者的示例。在这种情况下，您显然必须对每个像素进行回归（或分类），这会导致多个输出神经元。
现在，为了解决您的实际问题，我想详细说明为什么首选单热编码输出（即具有与类一样多的通道的输出）的推理用于分类任务在单个神经元上。
由于我们可以认为单个神经元足以预测类别值，因此我们必须理解为什么以这种方式到达特定类别是有问题的。
分类变量、序数变量、区间变量 https://stats.idre.ucla.edu/other/mult-pkg/whatstat/what-is-the-difference-between-categorical-ordinal-and-interval-variables/
主要问题之一是type你的变量。在您的情况下，存在明确的顺序（15 比 14 好于 13 等），甚至存在间隔排序（至少在纸上），因为 15 和 13 之间的差异与 14 之间的差异相同和 12，尽管一些学者可能会反对这一点;-)
因此，您的目标是一个区间变量，因此理论上可以用于对其进行回归。稍后会详细介绍。但例如，考虑一个描述图像是否描绘猫 (0)、狗 (1) 或汽车 (2) 的变量。现在，可以说，我们甚至不能对变量进行排序（是汽车>狗，还是汽车现在这仍然对应于狗，还是更接近于汽车？但如果图像实际上描绘了一辆具有猫的属性 https://3.bp.blogspot.com/-KJfevJKhqnU/T-v4fJ6iOwI/AAAAAAAAGH8/pKyLYLa0SOU/s1600/the-pink-funny-car-cat-costume-02.jpg?
另一方面，拥有 3 个独立的神经元来反映每个类别的不同概率可以消除该问题，因为每个神经元都可以描述相对“未受干扰”的概率。
如何失去功能
另一个问题是上一个例子中如何通过网络进行反向传播的问题。传统上，分类任务利用交叉熵损失 https://ml-cheatsheet.readthedocs.io/en/latest/loss_functions.html（CE），而回归使用均方误差（MSE）作为衡量标准。这两者本质上是不同的，尤其是 CE 和 CE 的组合Softmax https://developers.google.com/machine-learning/crash-course/multi-class-neural-networks/softmax导致非常方便（且稳定）的推导 https://deepnotes.io/softmax-crossentropy.
可以说，您可以应用舍入从 1.4 得到一个简洁的类值（在这种情况下为 1），然后使用 CE 损失，但这可能会导致数值不稳定；另一方面，MSE 永远不会给你一个“明确的类别值”，而更多的是一个回归估计。
最后，问题归结为：我有分类或回归问题吗。就您而言，我认为这两种方法都可以很好地发挥作用。 （分类）网络可能无法识别不同输出类别之间的相关性；即，很有可能进入 14 年级的学生获得 3 分或更低的概率基本上为零。另一方面，由于其他原因，回归可能无法准确预测结果。
如果您有时间，我强烈鼓励您尝试这两种方法。现在，考虑到目标的区间类型，我个人会进行回归任务，并使用舍入训练完网络后并能做出准确的预测。
