- 博客(259)
- 收藏
- 关注
RSS订阅原创 神经网络是概率图模型吗,深度神经网络预测模型
深度学习是什么？深度学习是机器学习领域中对模式（声音、图像等等）进行建模的一种方法，它也是一种基于统计的概率模型。在对各种模式进行建模之后，便可以对各种模式进行识别了，例如待建模的模式是声音的话，那么这种识别便可以理解为语音识别。而类比来理解，如果说将机器学习算法类比为排序算法，那么深度学习算法便是众多排序算法当中的一种（例如冒泡序列），这种算法在某些应用场景中，会具有一定的优势。深度学习的优点？为了进行某种模式的识别，通常的做法首先是以某种方式，提取这个模式中的特征。
2022-10-23 14:38:19
587
1
原创 模糊神经网络应用实例,神经网络与模糊控制
模糊控制技术是以模糊数学为理论基础的应用技术。你也许已经注意到，不论在自然界还是人类社会都存在着许多难以精确地、定量地加以描述的事物及特征，因而我们的语言中也有了许多内涵明确而外延不分明的概念和命题，如，好、坏、美、丑、高、矮、老、少等等。对于计算机来说，这种模糊性是个难以逾越的障碍。因为计算机是以形式逻辑为基础的，其解决问题的方式是将问题分解为一系列的“是”或“非”(用0或1代表)判断，面对不遵循二值逻辑、允许亦此亦彼现象存在的模糊性，它便无能为力了。
2022-10-22 12:54:35
1014
原创 卷积神经网络的基本概念,卷积神经网络主要包括
卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。[1] 它包括卷积层(alternating convolutional layer)和池层(pooling layer)。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。
2022-10-22 12:53:31
1196
1
原创 深度神经网络的深度是?,深度神经网络的定义
深度学习是基于机器学习延伸出来的一个新的领域，由以人大脑结构为启发的神经网络算法为起源加之模型结构深度的增加发展，并伴随大数据和计算能力的提高而产生的一系列新的算法。在深度学习中，计算机模型学习直接从图像、文本或声音中执行分类任务。深度学习模式可以达到新的精确度，有时甚至超过人类的表现。大多数深度学习方法使用神经网络的架构，这也是深度学习模型通常被称为深度神经网络的原因。
2022-10-22 12:52:27
526
原创 神经网络输入输出数据导入,图神经网络输入输出
看你的目的是什么了，一般传统分类的输出是图片的种类，也就是你说的一维向量，前提是你输入图像是也是一维的label。如果你输入的是一个矩阵的label，也可以通过调整网络的kernel达到输出一个矩阵的labels。
2022-10-22 12:51:23
2427
原创 人工智能反向传播算法,神经网络反演算法
反向传播算法被设计为减少公共子表达式的数量而不考虑存储的开销。反向传播避免了重复子表达式的指数爆炸。然而，其他算法可能通过对计算图进行简化来避免更多的子表达式，或者也可能通过重新计算而不是存储这些子表达式来节省内存。
2022-10-22 12:50:18
1903
原创 神经网络拓扑图怎么画,神经网络和图神经网络
还有一种最简单的方法就是通过网管软件自动来绘制网络拓扑，我公司现在用的就是摩卡网络管理软件，个人感觉还是不错的，首先可以自动发现网络中的拓扑，而且还可以将设备的状态信息，流量信息，资产信息和接口信息，各种路由表信息和网络拓扑图相关联，而且还可以从网络拓扑图中查看到网络设备的面板图。想楼主所说的监控那些IP设备断网了，那是必须的功能，呵呵。Xmind Zen是一款基于Xmind基础上，重写了思维导图的引擎，着眼在未来的黑科技上，提升了思维导图的展示效果，丰富了绘图的元素，加入了近100个美观的原创贴纸。
2022-10-21 13:26:57
942
原创 复杂神经网络的建模思路,神经网络模型数学建模
关于深度神经网络模型的相关学习，推荐CDA数据师的相关课程，课程以项目调动学员数据挖掘实用能力的场景式教学为主，在讲师设计的业务场景下由讲师不断提出业务问题，再由学员循序渐进思考并操作解决问题的过程中，帮助学员掌握真正过硬的解决业务问题的数据挖掘能力。关于深度神经网络模型的相关学习，推荐CDA数据师的相关课程，课程以项目调动学员数据挖掘实用能力的场景式教学为主，在讲师设计的业务场景下由讲师不断提出业务问题，再由学员循序渐进思考并操作解决问题的过程中，帮助学员掌握真正过硬的解决业务问题的数据挖掘能力。
2022-10-20 19:09:56
280
原创 神经网络用于控制的优越性,神经网络稳定性理论
对于前向无反馈神经网络而言，神经网络的鲁棒性是指当输入信息或神经网络发生有限摄动时，神经网络仍能保持正常的输入—输出关系的特性；对于反馈神经网络而言，神经网络的鲁棒性是指当输入信息或神经网络发生有限摄动时，神经网络仍能保持稳定的输入—输出关系的特性神经网络的稳定性和鲁棒性。对于前向无反馈神经网络而言，神经网络的鲁棒性是指当输入信息或神经网络发生有限摄动时，神经网络仍能保持正常的输入—输出关系的特性；
2022-10-20 19:08:53
795
原创 卷积神经网络预测数据值,一维卷积神经网络 keras
0代表0个map，0个特征，这应该是卷积神经网络的卷积核大小、个数，卷积层数设置过程中的问题。在常见的卷积神经网络的最后往往会出现一两层全连接层，全连接一般会把卷积输出的二维特征图（feature map）转化成（N*1）一维的一个向量全连接的目的是什么呢？因为传统的端到到的卷积神经网络的输出都是分类（一般都是一个概率值），也就是几个类别的概率甚至就是一个数--类别号，那么全连接层就是高度提纯的特征了，方便交给最后的分类器或者回归。
2022-10-20 19:07:49
2196
原创 神经网络可以用来预测吗,神经网络做预测的原理
这个要视处理的问题而定，训练网络的样本是基于多少年的数据，相应预测的就是多少年的数据。例如电力负荷预测，当进行的是短期负荷预测时，输入的样本为最近几日的负荷数据，那么预测的自然是最近几日的，不可能再长。当然，如果发现数据多到一个程度后，预测效果没什么变化，说明数据的表达能力，或者说数据的分布已经很充沛了，特征方差不变了，多了也没什么用。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。改进的神经网络算法。
2022-10-19 11:24:19
4065
原创 函数在神经网络中的作用,神经网络算法的目的
Keras中自定义目标函数（损失函数）的简单方法标签： 神经网络分类： 机器学习（2）Keras作为一个深度学习库，非常适合新手。在做神经网络时，它自带了许多常用的目标函数，优化方法等等，基本能满足新手学习时的一些需求。具体包含目标函数和优化方法。但它也支持用户自定义目标函数，下边介绍一种最简单的自定义目标函数的方法。要实现自定义目标函数，自然想到先看下Keras中的目标函数是怎么定义的。查下源码发现在Keras/objectives.py中，Keras定义了一系列的目标函数。
2022-10-19 11:23:08
299
原创 人工神经网络 人工智能,人工智能神经网络论文
人工神经网络（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点人工智能神经网络综述报告。它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。
2022-10-19 11:21:58
848
原创 神经网络训练样本 加权,神经网络训练样本个数
指对人工神经网络训练。向网络足够多的样本，通过一定算法调整网络的结构（主要是调节权值），使网络的输出与预期值相符，这样的过程就是神经网络训练。根据学习环境中教师信号的差异，神经网络训练大致可分为二分割学习、输出值学习和无教师学习三种。
2022-10-18 18:53:09
308
原创 人工神经网络算法的应用,人工神经网络是算法吗
数学工具，实现两组数据的映射（类似函数的映射，不同的是它强大地实现了两组任意阶矩阵之间的映射关系）最经典的算法是：BP算法。其思想是利用误差作为修正映射精确度的指导，最终实现符合要求的映射。
2022-10-18 18:52:04
168
原创 神经网络训练怎么看收敛,神经网络收敛的定义是
NaN意思是Not A Number，除非是发散，不过一般不会出现这种情况神经网络收敛的定义。可能你的程序有错。如果是新定义算法的话理论上的收敛要证明,可以证明它在迭代次数趋近无穷的时候等于某一解,也可以证明它满足李普希兹条件（就是带有完备范数和李普希兹常数的那个）,这种情形下我们叫做收敛,要是用已有算法或者干脆就是BP算法的时候不需要你证明.理论上不收敛的情况是这样,当迭代次数趋近无穷的时候,权向量的解不唯一.
2022-10-18 18:50:58
4420
原创 卷积神经网络概念与原理,卷积神经网络理论基础
卷积神经网络中卷积层间的连接被称为稀疏连接（sparse connection），即相比于前馈神经网络中的全连接，卷积层中的神经元仅与其相邻层的部分，而非全部神经元相连。具体地，卷积神经网络第l层特征图中的任意一个像素（神经元）都仅是l-1层中卷积核所定义的感受野内的像素的线性组合。且在一个通道内，所有神经元的权重系数相同。卷积神经网络的稀疏连接具有正则化的效果，提高了网络结构的稳定性和泛化能力，避免过度拟合，同时，稀疏连接减少了权重参数的总量，有利于神经网络的快速学习，和在计算时减少内存开销。
2022-10-18 18:49:53
127
原创 模糊神经网络应用实例,模糊算法和神经网络
滑模控制(sliding mode control, SMC)也叫变结构控制, 其本质上是一类特殊的非线性控制,且非线性表现为控制的不连续性. 这种控制策略与其他控制的不同之处在于系统的“结构”并不固定,而是可以在动态过程中,根据系统当前的状态(如偏差及其各阶导数等)有目的地不断变化,迫使系统按照预定“滑动模态”的状态轨迹运动. 由于滑动模态可以进行设计且与对象参数及扰动无关,这就使得滑模控制具有快速响应、对应参数变化及扰动不灵敏、无需系统在线辨识、物理实现简单等优点.
2022-10-18 18:48:49
2245
原创 神经网络模型matlab例子,神经网络算法matlab
现在一般求解权值和阈值，都是采用梯度下降之类的搜索算法（梯度下降法、牛顿法、列文伯格-马跨特法、狗腿法等等），这些算法会先初始化一个解，在这个解的基础上，确定一个搜索方向和一个移动步长（各种法算确定方向和步长的方法不同，也就使各种算法适用于解决不同的问题），使初始解根据这个方向和步长移动后，能使目标函数的输出（在神经网络中就是预测误差）下降。因为matlab工具箱为了在寻解不同阶段更智能的选择合适的步长，使用的是可变学习率，它会根据上一次解的调整对目标函数带来的效果来对学习率作调整，再根据学习率决定步长。
2022-10-17 22:57:54
942
原创 卷积神经网络的作用机制,卷积神经网络激励函数
参数共享的话的话是因为像图片等结构化的数据在不同的区域可能会存在相同的特征，那么就可以把卷积核作为detector，每一层detect不同的特征，但是同层的核是在图片的不同地方找相同的特征。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。卷积网络的特点主要是卷积核参数共享，池化操作。
2022-10-17 22:56:50
157
原创 基于神经网络的文字识别,BP神经网络图像识别
车牌识别技术要求能够将运动中的汽车牌照从复杂背景中提取并识别出来，通过车牌提取、图像预处理、特征提取、车牌字符识别等技术，识别车辆牌号，目前的技术水平为字母和数字的识别率可达到96%，汉字的识别率可达到95%。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
2022-10-17 22:55:47
1241
原创 卷积神经网络 语义分割,卷积神经网络 语义分析
卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。未来的预测值受许多因素影响，所以应该在基于历史数据的基础上，充分考虑各种因素，考虑得越周全，预知信息越多，预测效果一般更好。可以用MATLAB神经网络工具箱，先提取样本，用mapminmax函数归一化，再newff函数建立网络，设置好训练参数后，使用train。
2022-10-16 22:15:48
685
原创 如何用python搭建神经网络,神经网络为什么用python
假如Hopfield神经网络是一个收敛的稳定网络，则这个反馈与迭代的计算过程所产生的变化越来越小，一旦达到了稳定的平衡状态，Hopfield网络就会输出一个稳定的恒值。16就是上一层输出的特征图个数。self.output_weights = make_matrix(self.hidden_n,self.output_n) #邻接矩阵存边权：隐藏层->输出层。self.output_weights[h][o] = rand(-2.0, 2.0) #由隐藏层第i个元素到输出层第j个元素的边权为随机值。
2022-10-16 22:14:43
290
原创 神经网络算法有哪些模型,图像识别神经网络模型
关于深度神经网络模型的相关学习，推荐CDA数据师的相关课程，课程以项目调动学员数据挖掘实用能力的场景式教学为主，在讲师设计的业务场景下由讲师不断提出业务问题，再由学员循序渐进思考并操作解决问题的过程中，帮助学员掌握真正过硬的解决业务问题的数据挖掘能力。关于深度神经网络模型的相关学习，推荐CDA数据师的相关课程，课程以项目调动学员数据挖掘实用能力的场景式教学为主，在讲师设计的业务场景下由讲师不断提出业务问题，再由学员循序渐进思考并操作解决问题的过程中，帮助学员掌握真正过硬的解决业务问题的数据挖掘能力。
2022-10-16 22:13:38
1149
原创 神经网络 卷积神经网络,卷积神经网络改进
卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。[1] 它包括卷积层(alternating convolutional layer)和池层(pooling layer)。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。
2022-10-16 22:12:33
991
原创 卷积神经网络的核心思想,一文读懂卷积神经网络
卷积神经网络中卷积层间的连接被称为稀疏连接（sparse connection），即相比于前馈神经网络中的全连接，卷积层中的神经元仅与其相邻层的部分，而非全部神经元相连。具体地，卷积神经网络第l层特征图中的任意一个像素（神经元）都仅是l-1层中卷积核所定义的感受野内的像素的线性组合。且在一个通道内，所有神经元的权重系数相同。卷积神经网络的稀疏连接具有正则化的效果，提高了网络结构的稳定性和泛化能力，避免过度拟合，同时，稀疏连接减少了权重参数的总量，有利于神经网络的快速学习，和在计算时减少内存开销。
2022-10-16 22:11:28
1430
原创 卷积神经网络 语义分析,卷积神经网络是一种
CNN的全称是Convolutional Neural Network，是一种前馈神经网络。由一个或多个卷积层、池化层以及顶部的全连接层组成，在图像处理领域表现出色。本文主要讲解CNN如何在自然语言处理方面的运用。卷积神经网络主要用于提取卷积对象的局部特征，当卷积对象是自然语言文本时，比如一个句子，此时其局部特征是特定的关键词或关键短语，所以利用卷积神经网络作为特征提取器时相当于词袋模型，表示一个句子中是否出现过特定的关键词或关键短语。用在分类任务上，相当于提取出对于分类最有用的特征信息。cnn简介：现在，
2022-10-15 09:56:58
443
原创 神经网络自动布局技术,神经网络自动布局原理
机器学习(Machine Learning，ML)是人工智能的子领域，也是人工智能的核心。它囊括了几乎所有对世界影响最大的方法(包括深度学习)。机器学习理论主要是设计和分析一些让计算机可以自动学习的算法。深度学习(DeepLearning，DL)属于机器学习的子类。它的灵感来源于人类大脑的工作方式，是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并非是一个全新的概念，可理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法以及激活函数等方面做出了调整。
2022-10-15 09:55:50
599
原创 dropout降低过拟合的原理,神经网络中解决过拟合
在卷积神经网络CNN中(计算机视觉与卷积神经网络 ),卷积层就是其中权值共享的方式,一个卷积核通过在图像上滑动从而实现共享参数,大幅度减少参数的个数,用卷积的形式是合理的,因为对于一副猫的图片来说,右移一个像素同样还是猫,其具有局部的特征.这是一种很好的缓解过拟合现象的方法.BN实现这一点的机制是尽量在一个更平滑的解子空间中寻找问题的解，强调的是处理问题的过程的平滑性，隐含的思路是更平滑的解的泛化能力更好，Dropout是强调的鲁棒性，即要求解对网络配置的扰动不敏感，隐含思路是更鲁棒的解泛化能力更好。
2022-10-15 09:54:46
1117
原创 图神经网络发展进程,深度神经网络发展
由于神经网络是多学科交叉的产物，各个相关的学科领域对神经网络都有各自的看法，因此，关于神经网络的定义，在科学界存在许多不同的见解。目前使用得最广泛的是T.Koholen的定义，即"神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。"如果我们将人脑神经信息活动的特点与现行冯·诺依曼计算机的工作方式进行比较，就可以看出人脑具有以下鲜明特征：1. 巨量并行性。
2022-10-15 09:53:42
535
原创 神经网络自适应pid控制器,基于神经网络的pid控制
PID 调节器是一个在工业控制应用中常见的反馈回路部件，PID是以它的三种纠正算法而命名的。这三种算法都是用加法调整被控制的数值。而实际上这些加法运算大部分变成了减法运算因为被加数总是负值。以下是PID的调节作用举例：1.比例- 来控制当前，误差值和一个负常数P（表示比例）相乘，然后和预定的值相加。P只是在控制器的输出和系统的误差成比例的时候成立。这种控制器输出的变化与输入控制器的偏差成比例关系。比如说，一个电热器的控制器的比例尺范围是10°C，它的预定值是20°C。
2022-10-14 20:45:23
4280
原创 如何设计神经网络结构,visio画神经网络结构图
根据实体情况的画法，前期工作比较重要，首先，你要到现场了解整个网络的直观构成：比如外网是哪加运营商的，进入的带宽是多少，有没有经过其它代理，进入内网的路由器是什么型号的设备，在路由器下面接什么设备（安全产品，包括防火墙、上网行为管理，堡垒机等等）再到什么设备，你要这样一步一步的了解整个网络的走向，从外网进入一直到终端界面。而另一种就是根据客户的需求，比如要达到几级等保，需要用到哪些设备，你在根据这些设备合理划分区域，然后也是在VOSIO中找到模型，连接起来。经过以上步骤，网络拓扑图就绘制完毕了。
2022-10-14 20:44:11
3832
原创 深度神经网络算法有哪些,深度神经网络算法原理
而GPU相比于CPU拥有更多独立的大吞吐计算通道，较少的控制单元使其不会受到计算以外的更多任务的干扰，所以深度学习和神经网络模型在GPU的加持下会高效地完成计算任务。更好地为深度学习训练服务。1.深度学习需要大量的并行计算资源，而且动辄计算几天甚至数周，而英伟达NVIDIA、英特尔Intel、AMD 显卡（GPU)恰好适合这种工作，提供几十上百倍的加速，性能强劲的GPU能在几个小时内完成原本CPU需要数月完成的任务，所以目前深度学习乃至于机器学习领域已经全面转向GPU架构，使用GPU完成训练任务。
2022-10-11 15:19:49
558
原创 深度神经网络简单介绍,神经网络设计与实现
具体操作就是在原来的全连接的层前面加入了部分连接的卷积层与降维层，而且加入的是一个层级。新的方法就多了：新的激活函数：ReLU，新的权重初始化方法（逐层初始化，XAVIER等），新的损失函数，新的防止过拟合方法（Dropout, BN等）。新的网络结构中最著名的就是CNN，它解决了传统较深的网络参数太多，很难训练的问题，使用了逗局部感受野地和逗权植共享地的概念，大大减少了网络参数的数量。---------------------- 下面是原答案 ------------------------
2022-10-11 15:18:39
429
原创 神经网络的三种训练方法,神经网络越训练越差
首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。
2022-10-10 16:32:41
830
原创 卷积神经网络各层的意义,卷积神经网络各层作用
卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。[1] 它包括卷积层(alternating convolutional layer)和池层(pooling layer)。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。
2022-10-09 21:02:30
4647
1
原创 脉冲神经网络原理及应用,脉冲神经网络结构特点
Alan Lloyd Hodgkin和Andrew Huxley在1952年提出了第一个脉冲神经网络模型，这个模型描述了动作电位是怎样产生并传播的。但是，脉冲并不是在神经元之间直接传播的，它需要在突触间隙间交换一种叫“神经递质”的化学物质。这种生物体的复杂性和可变性导致了许多不同的神经元模型。从信息论的观点来看，找到一种可以解释脉冲，也就是动作电位的模型是个问题。所以，神经科学的一个基本问题就是确定神经元是否通过时间编码来交流。时间编码表明单一的神经元可以取代上百个S型隐藏层节点。谷歌人工智能写作项目：小
2022-10-08 11:09:50
1082
原创 反向传播算法的理论基础,反向传播算法应用
反向传播算法适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上。反向传播算法网络的输入输出关系实质上是一种映射关系：一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。反向传播算法主要由两个环节(激励传播、权重更新)反复循环迭代，直到网络的对输入的响应达到预定的目标范围为止。反向传播算法的信息处理能力来源于简单非线性函数的多次复合，因此具有很强的函数复现能力。这是BP算法得以应用的基础。
2022-10-08 11:08:42
859
原创 神经网络编程是什么,神经网络程序代码
神经网络结构如下图所示，最左边的是输入层，最右边的是输出层，中间是多个隐含层，对于隐含层和输出层的每个神经节点，都是由上一层节点乘以其权重累加得到，标上“+1”的圆圈为截距项b，对输入层外每个节点：Y=w0*x0+w1*x1+...+wn*xn+b，由此我们可以知道神经网络相当于一个多层逻辑回归的结构。其次，乘以输入（0或1），如果输入是0，权重就不会调整。其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值（其过程，是一个权值调整的过程）。
2022-10-08 11:07:32
562
原创 神经网络传递函数的选择,卷积神经网络风格迁移
一般来说，神经网络的激励函数有以下几种：阶跃函数 ，准线性函数，双曲正切函数，Sigmoid函数等等，其中sigmoid函数就是你所说的S型函数。以我看来，在你训练神经网络时，激励函数是不轻易换的，通常设置为S型函数。如果你的神经网络训练效果不好，应从你所选择的算法上和你的数据上找原因。算法上BP神经网络主要有自适应学习速率动量梯度下降反向传播算法(traingdx)，Levenberg-Marquardt反向传播算法(trainlm)等等，我列出的这两种是最常用的，其中BP默认的是后一种。数据上，看看是不
2022-10-06 11:51:41
900
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人