1
71
“前馈”一词的这两种用法都与培训本身无关。
|
2
17
没有纯反向传播或纯前馈神经网络。 反向传播是训练(调整权重)神经网络的算法。 反向传播的输入是output_vector、target_output_vector, 输出为adjusted_weight_vector。 前馈是从输入向量计算输出向量的算法。 前馈输入为Input_vector, 输出是output_vector。 当你训练神经网络时,你需要同时使用这两种算法。 当你使用神经网络(经过训练)时,你只使用前馈。 神经网络的基本类型是多层感知器,即前馈-反向传播神经网络。 还有更先进的神经网络,使用改进的算法。 另外,研究的好来源: ftp://ftp.sas.com/pub/neural/FAQ.html 最好理解的原理是编程(本视频中的教程) https://www.youtube.com/watch?v=KkwX7FkLfug |
3
2
简单地说: 前馈是一种架构。相反的是递归神经网络。 反向传播(BP)是一种求解方法。BP可以解决前馈神经网络和递归神经网络。 |
4
-1
神经网络可以有不同的架构。神经元之间的联系决定了信息的流动方向。根据网络连接,它们被分类为前馈和递归(反向传播)。 前馈神经网络 在这些类型的神经网络中,信息仅在一个方向上流动,即从输入层到输出层。一旦决定了权重,通常不会改变。可以显式地决定权重,也可以使用径向基函数等函数来决定权重。这里的节点在不知道生成的结果是否准确的情况下完成其工作(即,它们不会根据生成的结果重新调整)。前方各层之间没有通信。 递归神经网络(反向传播) 信息从输入层传递到输出层以产生结果。然后将结果中的错误立即传送回先前的层。节点可以知道他们在错误答案中贡献了多少。重新调整重量。改进了神经网络。它会学习。信息是双向流动的。这基本上实现了前馈和反向传播两种算法。 |
John · 分类和回归树-基尼最优分割计算 6 年前 |
bob · 这个神经网络能进行分离吗? 6 年前 |
Scott · R中的顺序求值导致错误消息 6 年前 |
Alex Xu · 如何计算具有相同前缀的ID并将总数存储在另一列中 6 年前 |
Stanleyrr · 欺诈检测分类ML的经纬度转换 6 年前 |
Kay · ColumnDataClassifier的最大类数 6 年前 |
DataMan · 在sklearn RandomForestClassifier中,class\u weight=None是否等同于class\u weight=“balanced\u subsample”? 6 年前 |
Vidya Marathe · 利用支持向量机预测概率 6 年前 |