本文探讨了在深度学习中，输入权重和偏置的范围选择对模型性能的重要影响。研究表明，固定在[-1,1]的范围并不总是最优，不同数据集可能需要不同的范围。建议采用网格搜索或随机搜索来确定最优参数。同时，隐层神经元的数量也与权重和偏置范围有关，不是越多越好。论文还提到了激活函数类型对性能的贡献，指出Sigmoid并非总是最佳选择。"
111550905,10296736,Python实现RSA非对称加密详解,"['Python编程', '加密算法', 'RSA加密', '信息安全']
对于张的单输入单输出的非线性函数，用黄的程序，隐层神经元的个数并没有太大的影响，而输入权重和偏置的范围有很大的影响。
隐层神经元数50
InputWeight=rand(NumberofHiddenNeurons,NumberofInputNeurons);
BiasofHiddenNeurons=rand(NumberofHiddenNeurons,1);
InputWeight=rand(NumberofHiddenNeurons,NumberofInputNeurons)*2-1;
BiasofHiddenNeurons=rand(NumberofHiddenNeurons,1)*2-1;
InputWeight=rand(NumberofHiddenNeurons,NumberofInputNeurons)*30-10;
BiasofHiddenNeurons=rand(NumberofHiddenNeurons,1)*10-5;
输入权重和偏置的范围的多少对结果影响很大。
1、那么到底应该怎么选择输入权重和偏置的范围呢？
看了很多论文中全是[-1,1]，或者随机给的。
张的非线性函数，我把范围给的大了才行了，是不是
最低0.47元/天 解锁文章
899
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
