在看了案例二中的bp神經網路訓練及****後，我開始不明白bp神經網路究竟能做什麼了。。。 程式最後得到
1樓：檀君博
網路的訓練過程與使用過程了兩碼事。
比如bp應用在分類，網路的訓練是指的給你一些樣本，同時告訴你這些樣本屬於哪一類，然後代入網路訓練，使得這個網路具備一定的分類能力，訓練完成以後再拿乙個未知類別的資料通過網路進行分類。這裡的訓練過程就是先偽隨機生成權值，然後把樣本輸入進去算出每一層的輸出，並最終算出來**輸出（輸出層的輸出），這是正向學習過程；最後通過某種訓練演算法（最基本的是感知器演算法）使得代價（**輸出與實際輸出的某範數）函式關於權重最小，這個就是反向傳播過程。
您所說的那種不需要預先知道樣本類別的網路屬於無監督型別的網路，比如自組織競爭神經網路。
2樓：網友
bp網路的作用類似於人腦的類推學習過程，分為訓練過程：已知條件+已知結果===神經網路和應用過程：待解答條件+神經網路===模擬結果比如我們在認知過程中，看到[黑貓]我們會聯想到[貓]
看到[白貓]我們會聯想到[貓]
看到[黃貓]我們會聯想到[貓]
神經網路訓練完畢。
在應用中。我們看到乙隻[花貓]
能夠識別是[貓]
這就是神經網路，輸入的是已知的條件和結果。
就像舉例說明。
對於未知的輸入進行變數匹配。
如果匹配不成功，就算誤差，然後更新認知。
直到匹配成功。
對神經網路進行訓練後，
3樓：網友
bp網路只有**效果，比如利用往年的業績來**今年的。
bp神經網路學習次數少
4樓：網友
如果您使用的是基於bp神經網路的機器學習模型，但是訓練過程中需要的迭代次數比較少，可能有以下幾個原因：
1. 資料集質量很好： 如果您的輸入資料集是高質量的、有代表性的、具有足夠的數量和多樣性，那麼通常只需要較少的迭代次數就可以讓模型達到乙個較好的效能。
所以，無論使用何種演算法，對於優秀的資料集都會有很好的表現。
2. 網路結構設計得好： 另乙個原運芹因是您的神經網路結構設計得很好。
如果您的神經網路的層數、神經元數量和啟用函式等引數被合理選擇，並且初始權重和閾值設定正確，那麼訓練過程通常會更加快速和高效。
3. 學習率設定得當： 另乙個重要的超引數是學習率老並，它會直接影響到訓練的速度和效能。
旁含畢如果您將學習率設定得非常小，那麼模型訓練所需的迭代次數就會更多。相反，如果學習率設定得非常大，模型可能無法收斂。所以，要適當調整學習率以獲得更好的表現。
總而言之，雖然較少的迭代次數對深度學習模型來說是乙個好的跡象，但這並不一定意味著您的模型越簡單就越優秀。確保您的資料集、網路結構和超引數都被充分優化是訓練高效、準確bp神經網路的關鍵。
5樓：zhm6好
為了讓bp神經網路更好地學習，可以嘗試以下方法：
1）優化學薯團習速率。調整學習速率可以使網路更快地學習。或手公升可以適當調整決定速率大小的引數，使其達到乙個最優的學習速率，從而更快的學習到有用的資料，而不會過度擬合或失去泛化能力。
2）增加訓練次數和資料集。增加訓練次數可以幫助網路更快的學習到它們的機會，衫老而不會出現過擬合或欠擬合的情況，增加資料集也會使網路有更多不同的訓練資料，從而提高泛化能力。
3）嘗試不同的網路結構。不同的神經網路結構有不同的學習速率，不同的學習速率可以幫助網路更快學習，或者更容易擬合資料。另外，還可以嘗試變更網路的層數和節點數，以期獲得更好的學習效果。
6樓：網友
bp神經網路學習的次數，主要取決於訓練的目標函式，以及訓練資料的特徵。一般來說，bp神經網路訓練次數越多，學凱擾習效果就越好，但是也要根據實際情況而盯滲旦定，比如說訓練資料的特徵本身就比較複雜，可能就需要訓練更多次，才能達到較好的效果。此外，針對不同的訓練喊扒目標以及不同的訓練資料，bp神經網路學習次數也可能不同，甚至有的情況下，學習次數不是越多越好，而是需要適當的控制。
用matlab的GUI建立BP神經網路的問題，求各位幫忙解答
應該是14列 9行的輸入 對應14列 1行的輸出。每列乙個sample 你應檢查你的bp網路的輸入層神經元和輸出層神經元數目，同時注意行列的關係。matlab bp神經網路程式總是報錯，求大神幫忙解答！謝謝 你那兩個傳遞復 函式之間少了乙個英文制逗號，應該是bai。要學會du根據matlab報錯提示...
有關BP神經網路的程式設計問題，用matlab，希望大家指點一下，謝謝！
p t ,,,,,,,,,,,,,,,,, net newff minmax p ,, traingdm net init net net train net,p,t a sim net,p e t a mse mse e p test out sim net,p test 這樣試試，對是用什麼學習...
bp神經網路演算法在matlab中的實現
bp神經網路是最基本 最常用的神經網路，matlab有專用函式來建立 訓練它，主回要就是newff train sim 這三個函式，當然其答他如歸一化函式mapminmax 其他net的引數設定 lr goal等 設定好，就可以通過對歷史資料的學習進行 附件是乙個最基本的 例項，本來是電力負荷 的例...