1樓：匿名使用者
同一層，基本都是一樣的。
這層的輸出=f(輸入的加權和），加權和=輸入1*引數1+輸入2*引數2。。。+偏執項，再把這個加權和經過f函式的計算，得到這層的輸出
所以，從這個過程來看，每一層所有節點的函式f是一樣的，輸入也是一樣的。不同的是引數1，引數2。
引數之所以會不一樣，是因為初始化的引數是不一樣的，比如服從某個分布的。所以每一層每個節點的輸出也是不一樣的。
如果存在任意一層所有引數都一樣，這種操作允許，但沒意義，這個時候這一層就等效為乙個節點。
2樓：day星星點燈
輸入向量方案由你自己定，把可能影響未來值的因素都量化作為輸入，這個不需要你優化。
而隱層節點數一般通過經驗法和試湊法得到。神經網路訓練時是充滿隨機性的，基本上不可能每次都收斂到乙個相同的權值組合上，所以每次網路的輸出（即你的**值）都是不一樣的。你可以多進行幾輪試湊，看每次試湊得到的最佳隱層節點數是否很接近，接近的話說明當隱層節點數取這個值時，網路效能較穩定，就可以直接將這個值作為s1。
我用bp神經網路做**，改變輸入節點和隱層節點數，想找到最優節點，為什麼每次算出來都不一樣？
3樓：mcr董事長
meng2235說的很好，理論上是存在乙個最優節點的，在這個節點數的情況下會有乙個全域性最優的權值，但基本上是找不出來的。
因為每次在訓練的時候都會有乙個初始的權值，這個初始權值是隨機給定的。在不同的初始權值的情況下訓練出來的最終權值往往是不同的（不同的區域性最優權值），這也就是為什麼你每次算出來的結果都不一樣。
4樓：匿名使用者
輸入向量方案由你自己定，把可能影響未來值的因素都量化作為輸入，這個不需要你優化。
而隱層節點數一般通過經驗法和試湊法得到。神經網路訓練時是充滿隨機性的，基本上不可能每次都收斂到乙個相同的權值組合上，所以每次網路的輸出（即你的**值）都是不一樣的。你可以多進行幾輪試湊，看每次試湊得到的最佳隱層節點數是否很接近，接近的話說明當隱層節點數取這個值時，網路效能較穩定，就可以直接將這個值作為s1。
bp神經網路中隱藏層節點個數怎麼確定最佳
5樓：匿名使用者
1、神經網路算bai法隱含層的選du取
1.1 構造法
首先運用三種zhi確dao定隱含層
回層數的方法得到答三個隱含層層數，找到最小值和最大值，然後從最小值開始逐個驗證模型**誤差，直到達到最大值。最後選取模型誤差最小的那個隱含層層數。該方法適用於雙隱含層網路。
1.2 刪除法
單隱含層網路非線性對映能力較弱，相同問題，為達到預定對映關係，隱層節點要多一些，以增加網路的可調引數，故適合運用刪除法。
1.3**分割法
演算法的主要思想:首先在[a,b]內尋找理想的隱含層節點數，這樣就充分保證了網路的逼近能力和泛化能力。為滿足高精度逼近的要求，再按照**分割原理拓展搜尋區間，即得到區間[b,c](其中b=0.
619*(c-a)+a)，在區間[b,c]中搜尋最優，則得到逼近能力更強的隱含層節點數，在實際應用根據要求，從中選取其一即可。
bp演算法中,權值和閾值是每訓練一次，調整一次。
逐步試驗得到隱層節點數就是先設定乙個初始值，然後在這個值的基礎上逐漸增加，比較每次網路的**效能，選擇效能最好的對應的節點數作為隱含層神經元節點數。
6樓：匿名使用者
我自己總結的bai
：1、神經網路算du法zhi
隱含層的選取
1.1 構造法
首先運用三種確定dao隱含層層回
數的答方法得到三個隱含層層數，找到最小值和最大值，然後從最小值開始逐個驗證模型**誤差，直到達到最大值。最後選取模型誤差最小的那個隱含層層數。該方法適用於雙隱含層網路。
1.2 刪除法
單隱含層網路非線性對映能力較弱，相同問題，為達到預定對映關係，隱層節點要多一些，以增加網路的可調引數，故適合運用刪除法。
1.3**分割法
演算法的主要思想：首先在[a,b]內尋找理想的隱含層節點數，這樣就充分保證了網路的逼近能力和泛化能力。為滿足高精度逼近的要求，再按照**分割原理拓展搜尋區間，即得到區間[b,c]（其中b=0.
619*（c-a）+a），在區間[b,c]中搜尋最優，則得到逼近能力更強的隱含層節點數，在實際應用根據要求，從中選取其一即可。
神經網路連線方式分為哪幾類？每一類有哪些特點
7樓：du知道君
神經網路模型的分類
人工神經網路的模型很多，可以按照不同的方法進行分類。其中，常見的兩種分類方法是，按照網路連線的拓樸結構分類和按照網路內部的資訊流向分類。
1 按照網路拓樸結構分類
網路的拓樸結構，即神經元之間的連線方式。按此劃分，可將神經網路結構分為兩大類：層次型結構和互聯型結構。
層次型結構的神經網路將神經元按功能和順序的不同分為輸出層、中間層（隱層）、輸出層。輸出層各神經元負責接收來自外界的輸入資訊，並傳給中間各隱層神經元；隱層是神經網路的內部資訊處理層，負責資訊變換。根據需要可設計為一層或多層；最後乙個隱層將資訊傳遞給輸出層神經元經進一步處理後向外界輸出資訊處理結果。
而互連型網路結構中，任意兩個節點之間都可能存在連線路徑，因此可以根據網路中節點的連線程度將互連型網路細分為三種情況：全互連型、區域性互連型和稀疏連線型
2 按照網路資訊流向分類
從神經網路內部資訊傳遞方向來看，可以分為兩種型別：前饋型網路和反饋型網路。
單純前饋網路的結構與分層網路結構相同，前饋是因網路資訊處理的方向是從輸入層到各隱層再到輸出層逐層進行而得名的。前饋型網路中前一層的輸出是下一層的輸入，資訊的處理具有逐層傳遞進行的方向性，一般不存在反饋環路。因此這類網路很容易串聯起來建立多層前饋網路。
反饋型網路的結構與單層全互鏈結構網路相同。在反饋型網路中的所有節點都具有資訊處理功能，而且每個節點既可以從外界接受輸入，同時又可以向外界輸出。
bp神經網路中某一層的神經元個數與那一層的節點數有什麼區別聯絡
8樓：滿意請採納喲
某層的神經元個數與節點數是乙個意思。
雖是3層神經網路，但是去叫做兩層bp網路，因為輸入層一般不算做一層。
n就該取2，s1就是隱含層節點數，選取的公式是hornik 提出的公式，
可以算的s1取值範圍，到時自己選取合適值，s2就是你輸出層節點數，也就是輸出維數。
9樓：俗道僧
某層的神經元個數與節點數是乙個意思。按你的假設：雖是3層神經網路，但是去叫做兩層bp網路，因為輸入層一般不算做一層。
按你的假設，n就該取2，s1就是隱含層節點數，選取的公式是hornik 提出的公式，可以算的s1取值範圍，到時自己選取合適職，s2就是你輸出層節點數，也就是輸出維數。
10樓：八月蕭邦
這個是神經元個數，一般是中間層和輸出層 s1中間層神經元個數 一般用for迴圈試下，確定最小誤差 ，s2是輸出層神經元個數 有幾個輸出 s2就是多少
11樓：匿名使用者
叫2層bp網路，s1，s2就是那一層的節點數，n的一般取值為2，多謝採納...
12樓：匿名使用者
1 某一層神經元個數與哪一層的節點數應該是一樣的；
2 乙個輸入層，乙個隱含層，乙個輸出層該叫做三層bp神經網路；
3 s1,s2...為各層神經元的個數，tf1 tf2 ...用於指定各層神經元的傳遞函式。
bp神經網路中怎麼確定節點數？？急！！！
13樓：嵐中楓火
根號下（m+n)再加上t,m為輸入向量維數，n為輸出向量維數，t為2--6的數字，節點數要經過嘗試的。
14樓：
輸入向量維數=輸入層節點數
輸出向量維數=輸出層節點數
看來你是做三層網路，只有乙個隱藏層。隱藏層節點數，傳遞函式選擇都是開放課題。看你要解決什麼問題。如果簡單做demo，就自己嘗試就可以了。
一道多層神經網路的計算題，請問該如何計算？
15樓：吐嗶喃啵腕
用**實現了一下，只用了sigmod啟用，需要其他啟用函式的話，在**裡面相應替換一下就可以了；不知道是否需要加入偏置項b，我在公式裡面加入了偏置項，但是預設b為0，如果有需要自行替換預設即可。
最後sigmod啟用下的輸出值為0.464。
希望可以幫到你。
16樓：望涵滌
bp神經網路，指的是用了「bp演算法」進行訓練的「多層感知器模型」。 多層感知器（mlp，multilayer perceptron）是一種前饋人工神經網路模型，其將輸入的多個資料集對映到單一的輸出的資料集上，可以解決任何線性不可分問題。 不要把演算法和網路搞混了。
BP神經網路中某一層的神經元個數與那一層的節點數有什麼區別聯
某層的神經元個數與節點數是乙個意思。按你的假設 雖是3層神經網路，但是去叫做兩層bp網路，因為輸入層一般不算做一層。按你的假設，n就該取2，s1就是隱含層節點數，選取的公式是hornik 提出的公式，可以算的s1取值範圍，到時自己選取合適職，s2就是你輸出層節點數，也就是輸出維數。某層的神經元個數與...
每個人的走路方式都是不一樣的，怎麼樣才能做到走路不磨鞋
高中孫老師 1 腳後跟先著地，然後讓腳掌觸地。2 漫步平走，不要讓腳在移動中腳後跟落地。3 學會正確的走路姿勢。正確走路姿勢 1 頭頸部 頭頸部應該微微上抬而不是低下，因為低頭容易造成後頸的肌肉僵硬，而前面的肌肉長期處於一種鬆弛狀態，這樣就會產生肌肉萎縮或者攣縮。2 肩部 肩微微仰，往後開啟。3 膝...
每個國家的錢面值都是一樣的但是為什麼價值不一樣
最簡單的解釋是每個國家所擁有的準備金不同 當然不只這個原因 例如a國本身加上國民全部的總資產是三十萬公斤的 併發行三十萬張紙抄，於是一張紙抄等於一公斤 在b國需要一百萬能買一公斤 於是a國一張紙鈔等於b國一百萬元。更深入的解釋樓上也有，牽涉到國家進出口，國民收入，通貨膨脹等等。為什麼世界各國錢幣價值...