我想弄清楚,如果我正在創建一個人工神經網絡使用乙狀結腸激活功能和正確使用偏見。我想要一個偏置節點輸入到靜態輸出-1與其權重相結合的所有隱藏節點,然後一個輸出到靜態輸出-1與其權重組合。然後,我可以像訓練其他神經元一樣訓練這些偏見,對嗎?!神經網絡乙狀結腸激活與偏見更新
3
A
回答
2
這是一個正確的推理,但它是相當罕見設置「-1」的值(爲什麼不+1?),我從來沒有在文獻中看到過這一點。如果您維護正確的圖結構,則「更新實際」節點和「偏好節點」的權重之間沒有差別。如果你不存儲圖形結構,並且你不知道偏差(連接到輸出節點的那個)沒有「子節點」,所以信號沒有「反向傳播」到網絡的更深處。我已經看到過這樣的代碼,它們將圖層簡單地存儲爲數組,並且它們在索引0處放置偏移,以便在反向傳播期間從1開始迭代。很顯然,基於圖形的實現更具可讀性(然而,由於無法對計算進行矢量化,速度會更慢)。
+0
關於backprop需要專用於偏置節點的好處。 – lmjohns3 2014-10-02 19:27:33
相關問題
- 1. 神經網絡與乙狀結腸激活產生所有1's
- 2. 使用的,而不是雙曲正切激活功能乙狀結腸失敗 - 神經網絡
- 3. 單神經元delta規則收斂乙狀結腸
- 4. 神經網絡的激活/輸出
- 5. 訪問神經網絡權和神經元激活
- 6. 實現偏倚神經網絡神經網絡
- 7. Keras中的乙狀結腸壁
- 8. 飛度雙極乙狀結腸蟒蛇
- 9. 擬合3D乙狀結腸數據
- 10. 如何更新RPROP神經網絡中的偏倚?
- 11. 神經網絡結構
- 12. 神經網絡的初始偏差值
- 13. 每個神經元的神經網絡偏差
- 14. 神經網絡從零開始在python中使用sigmoid激活
- 15. 如何在神經網絡中使用Softmax激活功能
- 16. 神經網絡迴歸模型輸出層的激活函數
- 17. 這個神經網絡應該使用哪個激活函數?
- 18. Adaboost與神經網絡
- 19. ANN:與神經網絡
- 20. 神經網絡
- 21. 神經網絡
- 22. 神經網絡輸入形狀錯誤
- 23. sigmoid神經網絡
- 24. H2O.deeplearning神經網絡
- 25. 神經網絡:「InverseLayer」
- 26. Hopfield神經網絡
- 27. 的神經網絡
- 28. 神經網絡[ocr]
- 29. MATLAB神經網絡
- 30. 神經網絡,python
您應該嘗試在[交叉驗證](http://stats.stackexchange.com/)中詢問這個問題 – 2014-10-01 17:22:21