感知器中每个训练示例的权重是不同的
感知器是一种简单的人工神经网络模型，用于二分类问题。在感知器中，每个训练示例的权重是不同的，这些权重用于调整输入特征的相对重要性，以便进行准确的分类。
具体来说，感知器由输入层、权重、激活函数和输出层组成。每个输入特征都与一个权重相关联，这些权重决定了输入特征对于分类的贡献程度。通过对输入特征和权重的加权求和，并将结果传递给激活函数，感知器可以产生一个二进制的输出结果，表示输入示例属于哪个类别。
在训练感知器时，权重是通过迭代的方式进行调整的。对于每个训练示例，感知器会根据预测结果与实际结果之间的差异来更新权重。如果预测结果与实际结果一致，权重保持不变；如果预测结果与实际结果不一致，权重会根据差异的方向进行调整，以使得下次预测结果更加准确。
感知器的优势在于其简单性和可解释性。它适用于处理线性可分的问题，并且可以通过调整权重来逐步优化分类结果。感知器在许多领域都有广泛的应用，包括图像识别、自然语言处理、垃圾邮件过滤等。
对于感知器的应用场景，可以考虑以下情况：
- 二分类问题：感知器适用于需要将输入数据分为两个类别的问题，如垃圾邮件分类、情感分析等。
- 简单模式识别：当输入数据具有明显的线性可分性质时，感知器可以用于识别简单的模式，如数字识别、手写字体识别等。
- 实时决策：由于感知器的计算速度快，适合用于实时决策场景，如智能交通系统中的车辆识别与分类。
腾讯云提供了一系列与感知器相关的产品和服务，包括：
- 人工智能平台（https://cloud.tencent.com/product/ai）：腾讯云的人工智能平台提供了丰富的机器学习和深度学习工具，可以用于构建和训练感知器模型。
- 云服务器（https://cloud.tencent.com/product/cvm）：腾讯云的云服务器提供了高性能的计算资源，可以用于训练和部署感知器模型。
- 云数据库（https://cloud.tencent.com/product/cdb）：腾讯云的云数据库提供了可靠的数据存储和管理服务，可以用于存储感知器模型的训练数据和结果。
以上是对于感知器中每个训练示例权重不同的完善且全面的答案。
相关·内容
2回答
从内存有限的流中进行感知器训练
、、、、
我想使用流数据中的随机梯度规则来训练感知器。我的内存非常有限，只能存储N$examples。 假设我的人口由点组成，如下图所示： ? 现在假设我的第一个N示例按照下面的方式出现，我可以正确地将它们归类为下一张图片中的显示： ? 现在的问题是，如果下一个N示例是这样的： ? 我已经将它们分类如下所示。问题是，由于我不能为以前的N示例训练感知器(因为我只能存储N示例，并且以前的N示例需要被丢弃)，所以对下一个N示例的训练与以前的N示例的超平面相矛盾。 如何从流数据中训练感知器？我是否需要存储所有示例，或者有其他方法？
浏览 20提问于2019-02-07得票数 2
回答已采纳
2回答
我正在尝试用python实现多类感知器。当涉及到多分类时，我已经完全理解了感知器算法的概念，但仍然对我们应该从训练数据中提供的特征向量感到困惑。
这个问题只是一个文本(文档)分类问题。我正在尝试在文本预处理阶段使用单字词频作为感知器的特征。当我基于每个训练文档中的词频为每个文档构建特征时，构建的特征恰好是非常稀疏的(文档中出现的每个标记的词频为0，没有出现的词频为0)。
我的问题是关于这方面的替代方案。有没有更好的构造特征向量的解决方案？
谢谢!
浏览 7提问于2020-02-13得票数 0
1回答
在我大学的非线性动力学课中，我们讨论了一个简单的感知器，它有两个输入神经元和一个输出神经元，并根据这些模式进行训练。
pattern | Input | Output
1 | 1,0 | 2
2 | 3,1 | 6
3 | 0,0 | 0
求解方程组确定权值
w_1(1) + w_2(0) = 2
w_1(3) + w_2(1) = 6
w_1(0) + w_2(0) = 0
给出w_1 = 2和w_2 = 0，这意味着感知器进行了抽象。在更高级的神经网络中，(a)如何测试网络中的抽象，以及(b)如何解释这种抽象的含义？
浏览 0提问于2019-05-19得票数 0
回答已采纳
我正在移动我在神经网络中的第一步，为了做到这一点，我正在用一个非常简单的单层，单输出感知器进行实验，它使用了一个S型激活函数。每次出现训练示例时，我都会使用以下命令在线更新权重：
weights += learningRate * (correct - result) * {input,1}
这里，weights是一个n长度的向量，它还包含来自偏置神经元的权重(-阈值)，result是在给定input时由感知器计算的结果(并使用sigmoid进行处理)，correct是正确的结果，{input,1}是用1(来自偏置神经元的固定输入)增加的输入。现在，当我尝试训练感知器来执行逻辑与时，权重不会在
浏览 4提问于2011-08-24得票数 0
回答已采纳
3回答
对于所有线性分类器和线性回归算法，预测算法都是完全相同的吗？
众所周知，任何线性分类器都可以描述为：y = w1*x1 + w2*x2 + ... + c
📷
确定线性分类器参数的方法有两大类(生成和鉴别)：https://en.wikipedia.org/wiki/Linear_分类器。
线性判别分析(或Fisher线性判别)，朴素贝叶斯分类器
Logistic回归、感知器、支持向量机
问:线性分类器只在学习算法中有所不同，但它们在预测y = w1*x1 + w2*x2 + ... + c时也是这样吗？
如果我使用一种训练方法(例如带有线性核函数的支持向量机)，那么我是否可以使用其他方法进行
浏览 0提问于2019-01-31得票数 5
回答已采纳
2回答
我是机器学习的新手。我编写了这段代码，用于训练感知器，以便使用感知器训练规则学习布尔AND函数。
感知器永远不会学习正确的权重。输入(1，-1)和(-1，1)的误差使得权重在0.7999999999999999，0.20000000000000004和0.7，0.300000000000000之间振荡，这很明显，如下所示
For input 1, -1
target output - output given = 0-1 = -1
w1 = w1 + n*(t-o)*1 = w1 - n
w2 = w2 + n*(t-o)*(-1) = w2 + n
for input -1, 1
浏览 1提问于2015-11-28得票数 1
1回答
下面的代码是在Matlab中实现的。我想用分批算法训练感知器来分离这个可分离点。因此，为了做到这一点，我使用了adapt()函数，但它似乎不起作用。我的意思是，我的感知器无法将这些点按其应有的方式分类。它有一些根本没用的权数。另一方面，当我使用train()函数时，一切按照plan.The感知器能够准确地对点进行分类。有人能向我解释我的代码出了什么问题吗？提前感谢！
function problema2_1()
p = -1 + ( 1 + 1) .* rand(3,5);
for i = 1 : length(p)
if 2 * p(1,i) - p(2,i) + p(3,i) &
浏览 2提问于2015-04-21得票数 0
回答已采纳
2回答
我想用一种语言训练卷积神经网络，但在另一种语言中使用它(出于各种与技术/性能相关的原因)。有没有一种通过节省权重来实现这一点的编程方法？
例如，我可以用Python训练一个多层感知器，然后将所有权重保存在一个CSV文件中，然后用Java创建一个新的MLP并使用该文件设置权重。但是，我不确定如何使用卷积神经网络做类似的事情，因为我不知道如何处理卷积层。我认为我的主要问题是理解如何导出/保存网络的卷积部分，然后将它们加载到其他地方。
浏览 0提问于2016-01-22得票数 0
1回答
什么是训练
、、
我是一个深入学习的新手，我有一个简单的问题。
我在读一些关于神经网络的文章。它说人们创造了一个简单的神经网络叫做感知器。这个网络不能解决一个非常简单的问题:排他性或。
我认为这是因为我不知道如何训练一个神经网络，也不知道如何为一个神经网络设定权重。
你能用这个例子和：0 & 0 = 0 1 & 0 = 0 0 & 1 = 0 1 & 1 = 1描述一下感知器的训练过程吗？
通过这样的训练，感知器的重量看起来如何？
浏览 0提问于2017-11-29得票数 0
回答已采纳
1回答
我从机器学习开始，目前我正在努力理解人工神经网络。在多层感知器中，最大限度地降低了代价函数(例如交叉熵)，但我必须将所有的训练数据输入到神经网络中。这不是一个典型的人类学习过程。相反，随着时间的推移，经验会随着时间的推移而发生变化，而预测可能会因新的信息而发生变化。换句话说，机器/网络必须通过改进其预测来响应不断变化的环境。我有两个问题：
使用贝叶斯技术进行优化难道不是更自然的吗?下一个培训示例会改进经验(我的神经网络将通过提供新的数据来随着时间的推移而改善)？
一个神经网络从一开始就需要所有的训练数据吗?还是我可以通过提供一个新的信息(例如在一段时间后)而不引用以前的训练数据来不断地改进它(
浏览 0提问于2017-05-04得票数 -1
3回答
感知学习--最重要的特征
、、、
对于我在AI类中的一项任务，我们的任务是创建Widrow规则的感知器学习实现。我用java编写了这个实现：
以下github链接包含项目：
我现在遇到的问题不是感知器的创造。效果很好。
在该项目中，在训练感知器之后，我将一个非分类数据集应用到感知器中，然后学习每个输入向量的分类。这也很好。
我的问题是学习输入的哪一个特征是最重要的。
例如，如果每个输入向量中的特征集是颜色、汽车模型和汽车制造，那么我们需要对最重要的特征进行分类。怎样才能这样做呢？
我对此的最初理解使我相信，计算相关系数、每个输入的特征值以及生成的分类向量。然而，事实证明，这是一个错误的假设。
还有其他方法可以学习到最重要的特性
浏览 0提问于2014-02-12得票数 4
回答已采纳
因此，据我所知，交叉验证是用来确定最佳模型的。
我知道一旦我们确定了最好的模型，我们就会在整个数据集上对它进行训练。我应该使用交叉验证的多层感知器，可以分类MNIST数据集。我似乎不明白交叉验证如何适合训练模型。
假设我使用的是5倍交叉验证，这意味着我必须制作5种不同的模型，但是，如何进行这些单独模型的培训呢？特别是，我有以下问题：
这些个体模型的训练是否会像往常一样(反向传播)？
我要用什么来初始化每个模型？(随机权重？)
在完成交叉验证之后，我现在有了最好的模型(比如B)，在整个数据集上训练这个模型意味着什么？(这是否意味着，我与B一起初始化了在整个数据集上训练的新模型的权重)。
浏览 0提问于2018-09-29得票数 1
回答已采纳
我以前用来解释线性可分数据。我还在读米切尔的机器学习书，我很难理解为什么感知器规则只适用于线性可分离的数据？
Mitchell对感知器的定义如下：
也就是说，如果加权输入之和超过某个阈值，则y为1或-1。
现在，问题是确定一个权重向量，使感知器为每个给定的训练示例产生正确的输出(1或-1)。实现这一目标的一种方法是通过感知器规则：
学习一个可接受的权重向量的一种方法是从随机权值开始，然后迭代地将感知器应用于每个训练示例，当感知器的权重错误分类时，修改感知器的权重。这个过程被重复，根据需要反复重复训练示例，直到感知器正确地对所有训练示例进行分类。根据感知器训练规则在每一步修改权重，根据该
浏览 2提问于2012-12-21得票数 3
回答已采纳
1回答
我正在读汤姆米切尔的机器学习书，他提到感知器训练规则的公式是
哪里
*培训率
预期产出
*实际产出
*输入
这意味着如果
是非常大，所以也是
，但我不明白大规模更新的目的是
是大的
相反，我觉得如果有一个大的
那么更新应该是很小的，因为
将导致最终输出发生重大变化(原因是
)
浏览 1提问于2018-05-20得票数 1
回答已采纳
1回答
假设我们有以下由感知器组成的完全连接的网络，并以符号函数作为激活单元，当我们试图训练这个梯度下降的网络时，会出现什么问题？
📷
📷
浏览 0提问于2021-03-13得票数 1
回答已采纳
这里是Tensorflow教程中的代码：一个多层感知器的实现实例
当批数= 100时，准确度为94.59%。
如果我将批次大小设为1，那么训练需要十倍的时间，但准确率仅为9%。
我在没有运气的情况下测试了不同的学习率。SGD的性能对于小批量来说是很糟糕的。我们可以预期SGD的性能会更低，但不会少十倍！性能损失的原因是什么？
浏览 0提问于2017-02-10得票数 4
回答已采纳
我想用MNIST数据集训练一个MLP(多层感知器)。我使用验证集，这样我就可以保存最佳模型的权重。然后，我想将这些权重加载回相同的体系结构中，并使用它们来初始化和训练另一个数据集。我想知道Tensorflow 1.x或2.x是否可以做到这一点。现在，我正在尝试编写一个自定义函数来完成这项工作，但它正变得越来越复杂。我使用的是tf 1.x。
浏览 0提问于2021-09-04得票数 0
2回答
我已经在keras中训练了一个多层感知器，将模型序列化为JSON，并将权重保存到HDF5。如何在C/C++中导入此模型以对其进行预测？
浏览 20提问于2018-08-02得票数 1
2回答
我在Weka多层感知器上做了一些实验，我有一些关于它的参数的问题。我已经查看了帮助文档，但无法理解：
nominalToBinaryFilter是什么？如何使用？
normalizeAttribute:我认为这是将特性的值缩放到-1，1范围。但是，在数值不是数值的情况下，例如天气数据集，他们是如何做到的。
重置:如果当前的训练过程不一致，这将重新设置，并以较低的学习率重新开始。我们应该在多大程度上降低目前的学习率？(如何确定下一个学习速度)
初始权重:这不是一个参数，而是它们如何初始化初始权重？它是否是对称的(类似于-ε，+ε中的值)？
浏览 6提问于2015-08-27得票数 1
1回答
用于OCR的多层感知器
、、、
我打算使用经过反向传播训练的多层感知器网络(一个隐藏层，输入作为包含来自图像的B/W像素的8x8位矩阵)。出现了以下问题：
我应该使用哪种类型的学习:批次学习还是在线学习？
如何估计隐藏层中正确的节点数？我打算处理26个英文字母。
我如何才能停止训练过程，以避免过度适应？
(不完全相关)还有另一个比MLP更好的NN吗？我知道MLP在局部极小值、过度拟合等方面的问题，那么有没有一种更好的(基于软计算的)方法？
谢谢
浏览 3提问于2009-03-28得票数 2
1回答
有谁能提供一些关于如何将自组织映射与多层感知器正确结合的信息吗？
最近，我阅读了一些关于这种技术的文章，与常规MLP相比，它在预测任务方面表现得更好。因此，我希望通过对输入数据进行聚类，并将结果传递给MLP后端，将SOM用作降维的前端。
我目前的想法是用几个训练集来训练SOM，并确定集群。之后，我用与SOM集群一样多的输入单元初始化MLP。下一步是使用SOM的输出来训练MLP (BMU的哪个value?...weights？)与网络输入一样(SOM的输出用于集群匹配输入单元，零用于其他输入单元？)。
浏览 4提问于2016-04-05得票数 3
回答已采纳
1回答
我需要开发一个神经网络，并将输入分为3类。其中一个类别是“不知道”
我应该使用一个单一的输出感知器来训练网络吗?哪一个训练示例分类为1,2，或3？还是应该使用2输出感知器并使用二进制方案(01、10、00/11)对输入进行分类？
浏览 1提问于2014-12-26得票数 0
回答已采纳
1回答
我试图用Java编写一个神经网络
2个输入神经元，1个隐藏层，包含3个神经元和1个输出神经元，
它应该能够解决异或函数。我理解神经元(感知器)是如何工作的，以及它们是如何学习的，但我不明白神经网络是如何处理输出的，也不明白神经元如何“相互交流”。
例如：
我有一个神经网络：(忽略这些值)
这个数据集是：
input = {{1, 0},{1, 1},{0, 1},{0, 0}}
ideal = {1, 0, 1, 0}
我用什么价值观训练每个人的特定神经元？还是让神经网络学习？
浏览 4提问于2017-05-02得票数 1
回答已采纳
1回答
维基百科：
如果一个多层感知器在所有神经元中都有一个线性激活函数，也就是将加权输入映射到每个神经元输出的线性函数，那么用线性代数很容易地证明任何层数都可以简化为标准的两层输入输出模型(见感知器)。
我看到了，我所理解的是，这是因为线性函数的组合可以用线性函数来表示，这是唯一的原因，对吗？
那么还原过程是什么样子的呢？也就是说，如果我们有3x5x2MLP，SLP会是什么样子？输入层的大小是否基于用于表示线性函数的参数数，如上述链接的答案所示？：
f(x) =a x+b
g(z) =+d
g(f(x)) =c (a x+ b) +d= ac x+ cb +d= (ac) x+ (cb +
浏览 2提问于2015-11-25得票数 1
回答已采纳
2回答
用单层感知器对手写数字进行分类
、、、、
我想用一个简单的Python代码对手写数字(MNIST)进行分类。我的方法是一个简单的单层感知器，我使用批处理方法。
我的问题是，例如，如果我训练数字"1“，然后训练其他数字，网络总是显示"1”的结果。事实上，训练发生在第一个数字。我不知道有什么问题。
我认为这与批量训练有关，在一次训练后，第二个数字不能，因为网络收敛。但是我不知道如何解决它。
我用多层感知器进行了测试，我得到了相同的行为。
注意:每次我选择一个数字并加载大量数字并开始训练，对于其他数字，我重新启动除了权重矩阵(W0)之外的所有东西。
这是我的代码：
1-导入库：
import os, struct
from
浏览 3提问于2017-02-18得票数 0
回答已采纳
3回答
我试图可视化两个感知器如何收敛到两个不同的决策边界(最终用于为非线性可分数据创建分类器)。
📷
来源：https://tdb-alcorn.github.io/2017/12/17/seeing-like-a-perceptron.html
我不明白当第二个感知器具有与第一个感知器相同的输入时，它如何创建一个不同的决策边界？我知道权值可以以不同的方式初始化，但是第二个感知器会对其他东西进行分类吗？决策边界不应该最终是相同的吗？
📷
来源：https://tdb-alcorn.github.io/2017/12/17/seeing-like-a-perceptron.html
浏览 0提问于2019-02-28得票数 1
回答已采纳
5回答
实现感知器分类器
、、、、
你好，我是Python和NLP的新手。我需要实现一个感知器分类器。我搜索了一些网站，但没有找到足够的信息。现在我有一些文档，我根据类别(体育，娱乐等)进行了分组。我还列出了这些文档中最常用的单词及其使用频率。在一个特定的网站上，有人说我必须有一个决定函数，接受参数x和w，x显然是某种向量(我不知道w是什么)。但是我不知道如何使用我拥有的信息来构建感知器算法，以及如何使用它来对我的文档进行分类。你有什么想法吗？谢谢:)
浏览 0提问于2011-01-12得票数 9
1回答
CNN的反向传播训练
、、、、
我以前在浅层(一层或两层)神经网络中工作，所以我对它们的工作原理有一定的了解，在训练过程中很容易直观地看到向前和向后传递的导子，目前我正在研究深层神经网络(更确切地说，是CNN)，我读过很多关于它们的训练的文章，但我仍然无法理解CNN训练的总体情况，因为在某些情况下，使用预训练层的人使用自动编码提取卷积权，在某些情况下，随机权值被用于卷积，然后使用反向传播来训练权重，有谁能帮我给出从输入到全连接层(前传)和从全连接层到输入层(后传)的训练过程的全貌。
谢谢
浏览 4提问于2016-07-11得票数 2
1回答
我正在对单个节点感知器进行批量训练，但不知道如何更新我的偏差。
我将权重更新如下：
对于每个批次，我在单个批次期间运行以下临时权重更新
# update weight_update where y[i] is the actual label and o1 is the predicted output and x[i] is the input
weight_update = weight_update + (self.weights + self.learning_rate * (y[i] - o1)*x[i])
然后，一个完整的批次完成后，我更新类中的主要权重
# update main
浏览 14提问于2021-03-07得票数 0
1回答
我是一个计算机科学研究生项目的学生。昨天我们做了一个关于神经网络的讲座。我想我理解了感知器在神经网络中的特定部分，只有一个例外。我已经对感知器中的偏见进行了研究，但我仍然没有理解。到目前为止，我知道，有了偏差，我可以操纵输入的和在一个感知中的权重，以评估和减去一个特定的偏差大于激活函数阈值-如果函数应该激发(Sigmoid)。但是在我的教授的演讲幻灯片上，他提到了这样的事情：
这种偏差被添加到感知器中，以避免所有输入都等于零的问题--没有乘法权会产生影响。
我不知道这句话背后的意思是什么，为什么它很重要，所有加权输入的和不能等于零？如果所有输入等于零，那么下一个隐藏层的下一个感知就不会
浏览 0提问于2018-07-25得票数 1
我在R中使用包‘monmlp’包，如下所示。(单调多层感知器神经网络)
model = monmlp.fit(trainData, trainLabs, hidden1=3, n.ensemble=1, bag=F,silent=T)
pred = monmlp.predict(testData,model)
preds = as.numeric(pred)
labs = as.numeric(testLabs)
pr = prediction(preds,labs)
pf = performance(pr,"auc")
pf@y.values[[1]]
我想用训练好的模
浏览 2提问于2013-07-03得票数 0
我最近被介绍到神经网络的神奇世界。我开始跟踪，它实现了一个NN来识别手写数字。它实现了一个3层网络(1输入、1隐藏和1输出)，并使用MNIST数据集进行训练。
我刚刚发现，具有相似层784,30,10结构的两个神经网络的权重矩阵，使用相同的数据集进行训练，是完全不同的。偏差矩阵也是如此。
一般直觉说，由于我们使用的是多个历元，并且在每个时期随机化数据，两个神经网络的权重矩阵应该收敛到相似的值。但结果却大不相同。也可能是这个原因吗？
下面是NN1的头几个权重：
[array([[-1.2129184 , -0.08418661, -1.58413842, ..., 0.14350188,
浏览 6提问于2020-05-12得票数 1
回答已采纳
post提供了一种找到(几乎)最佳学习率和初始权重的方法，以便感知器以最小迭代收敛。 我稍微修改了一下数据， nearest_setosa = np.array([[1.9, 0.4],[1.6, 0.6]]) 我在2次迭代中得到的最好结果是 eat = 0.2，初始权重= 0.7，0.7，训练权重=-0，0.5 它成功地分离了数据点。 然而，当我试图一步一步地重现训练时，我得到了一组不同的训练权重-0.06，0.54 以下是步骤 这将初始化参数 model_w = np.asarray([0.7, 0.7])
model_b = 0.0
eta = .2 此代码查找错误分隔的示例，方法与原
浏览 13提问于2021-06-15得票数 0
5回答
我是神经网络的初学者。我正在学习感知器。我的问题是，为什么权重向量垂直于决策边界(超平面)？我参考了很多书，但都提到权重向量垂直于决策边界，但没有人说为什么？
有人能给我一本书的解释或参考资料吗？
浏览 8提问于2012-04-16得票数 40
回答已采纳
由于我在机器学习编程方面的知识有限(使用Matlab)，我无法找到解决这个问题的方法……我想我的问题会考验大多数读者的耐心！
我正在尝试使用Matlab中熟知的比利时数据集来识别交通标志。这个数据集包含大约4000个正窗口和3000+负图像，我们可以从中裁剪负窗口来训练分类器。我使用的是adaboost分类器，每个阶段的弱学习者都是。我正在遵循的步骤是：
1-在第一阶段使用所有正片和20,000个随机裁剪的负片窗口训练分类器，
2-在负片图像上使用上一阶段训练过的分类器来挖掘硬负片。当对20,000张硬底片进行采样时，在previous+1阶段训练分类器并移动到下一阶段，
3-转到步骤2
我遇
浏览 3提问于2014-09-01得票数 0
感知器可以接受实值作为输入，还是只接受0和1？我很困惑，因为感知器的输出是0或1，所以我认为输入应该是二进制的。
浏览 2提问于2018-09-22得票数 0
2回答
我正在学习感知器学习，我有一个问题，是哪一种让我有点困惑。由于我是自学的，我看过各种各样的论文、教程、权力点等，有时他们似乎使用不同的算法来调整网络的权重。
例如，有些包含学习率，另一些包含单个权重/输入产品，而另一些只是所有权重/输入产品的总和。
那么，我是否正确地假设存在多个算法，它们都导致相同的最终权重矩阵/向量？
浏览 3提问于2014-01-13得票数 0
回答已采纳
1回答
我试图理解一个简单的感知器和一个神经网络在使用keras序列类时的关系。
我了解到神经网络感知器看起来是这样的：
第一层中的每个“节点”都是示例x_1、x_2、.、x_n的一个特性
有人能解释一下我在下面的Keras包中找到的神经网络的跳转吗？由于输入层有四个节点，这是否意味着网络由四个感知器网络组成？
浏览 0提问于2018-05-17得票数 2
回答已采纳
1回答
新开发
最近，我使用OpenCV的MLP实现来测试它是否能够解决相同的任务。OpenCV能够对与我的实现相同的数据集进行分类，但无法解决我无法解决的数据集。这可能是由于终止参数(决定何时结束培训)。我在100,000次迭代之前停止了，MLP没有泛化。这次网络结构是400个输入神经元，10个隐神经元，2个输出神经元。
实现了多层感知器算法，并验证了该算法适用于异或逻辑门。对于OCR，我教网络正确分类“A”和“B”的字母，这些字母是用粗大的绘图工具(一种标记)画出来的。然而，当我试图教网络分类一个薄薄的绘图工具(铅笔)时，网络似乎被困在山谷中，无法在合理的时间内对字母进行分类。我用GIMP画的信也
浏览 3提问于2013-11-14得票数 1
回答已采纳
📷
我的问题是：
假设我们有一个3乘1的神经网络，类似于图像中的神经网络(输入层有3个神经元，输出层有一个神经元，没有隐藏层)，当给神经网络输入一个训练样本(即feature1、feature2、feature3输入)时，我发现不存在计算正向和反向传播输出的问题，而且我知道我的初始权重是如何优化的，我发现的问题是，每次给神经网络多个训练输入时，我不知道初始权值是如何优化的。
例如，我们有3×3矩阵的训练输入。
[[195, 90, 41],
[140, 50, 30],
[180, 85, 43]]
第一列是高度，第二列是重量，第三列是鞋的大小，我们用第一行、第二行和第三排给NN。我们知道，在
浏览 0提问于2018-07-07得票数 3
2回答
理解感知器
、、、、
我刚开始上机器学习课，我们复习了感知器。对于家庭作业，我们应该：“选择合适的二维(平面)训练和测试数据集，使用10个数据点进行训练，5个数据点进行测试。”然后我们应该编写一个程序，它将使用感知器算法并输出：
关于训练数据点是否线性可分的评论
关于测试点是否为线性可分点的评论
您最初选择的权重和常数
最终解方程(决策边界)
算法所做的权重更新总数。
在培训集上进行的迭代总数。
对训练数据和测试数据的最终错误分类错误(如果有的话)。
我已经读了好几遍我的书的第一章，我仍然有困难，充分理解知觉。
我知道如果一个点被错误分类，你会改变权重，直到不再有错误分类，我想我
浏览 2提问于2015-01-31得票数 3
回答已采纳
2回答
这是感知器学习模型的经典可视化，尽管我不知道它最初来自哪里。
我的问题是这个感知器有多少个神经元？我猜是N+2，N+1代表输入，另一个1代表输出。这是正确的吗？
浏览 0提问于2017-11-28得票数 0
1回答
假设两个感知器在同一个线性可分分布的无限样本上运行。它们会收敛到同一个决策函数吗？它们会收敛到相同的权向量w吗？我是ML的初学者，所以如果有人能提供详细的解释，那就太好了。
浏览 5提问于2014-10-09得票数 1
回答已采纳
1回答
我在R中使用nnet软件包训练人工神经网络。有些人说训练集中的每一种情况都分配了权重，而有些人则说没有。重量等于no。神经网络结构中的连接。我不明白这点。有人能帮我吗。
我看了nnet的R代码。
在下面的nnet代码中，权重和Wts之间有什么区别？
nnet(x, y, weights, size, Wts, mask, linout = FALSE, entropy = FALSE, softmax = FALSE, censored = FALSE, skip = FALSE, rang = 0.7, decay = 0, maxit = 100, Hess = FALSE, trace
浏览 0提问于2017-03-16得票数 0
2回答
简单感知器模型和异或运算
、、、
很抱歉，我只在这里问。我也会努力学习，准备回答问题！
许多论文和文章声称，对MLP的激活函数的选择没有限制。
似乎只有哪一个最适合给定条件才是问题。
此外，文章还说，数学证明，简单的感知器不能解决异或问题。
我知道简单的感知器模型通常使用阶跃函数作为它的激活函数。
但如果使用哪个激活函数基本上无关紧要，那么使用
f(x)=1 if |x-a|<b
f(x)=0 if |x-a|>b
作为一个激活函数处理XOR问题。(对于2input 1output无隐藏层感知器模型)
我知道使用人工函数对学习模型是不好的。但是，如果它无论如何都能工作，那么为什么文章说它被证明是不工作的？
这篇
浏览 4提问于2014-06-19得票数 1
1回答
我用Java创建了一个使用反向传播算法学习的人工神经网络，我制作了以下图表，显示了改变学习率如何影响网络训练所需的时间。
这似乎表明，学习是非常不稳定的，因为它要么训练正确，要么很快就会卡住(反向传播将在1分钟或特定的错误阈值停止训练)。我想知道为什么网络如此不可预测，是不是势头太高了？我需要一个自适应的学习率吗？这是一个很好的例子，说明了局部最小值如何影响训练。
这是我生成的图表：
浏览 1提问于2015-08-11得票数 0
如果我在这里错了，请纠正我，但是可以使用1层网络实现最少3门(NAND，OR)->(和)的XOR函数。但是，是否有可能正确地训练网络，让每个感知器只使用一个阈值激活函数和感知器训练规则？即使用感知器学习规则，而不是增量学习规则。
到目前为止，理论上我唯一的解决方案是在形成实际网络之前单独训练每个感知器来完成它们的特定任务(即NAND或和和)，但这就违背了学习网络的意义。
浏览 1提问于2013-08-05得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
