代码之家 › 专栏 › 技术社区 › Ed The ''Pro'' Simon Klee

我不知道如何引用这个神经网络训练方法中的权值。

backpropagation neural-network c++

Ed The ''Pro'' Simon Klee · 技术社区 · 6 年前

我在写我的拥有 A的实现 神经网络 C++中的类。我不知道如何引用这个声明的权重:

in = in + (inputs [l] * calcWeights [l]) ;

原因是更多权重大于输入。这是我的代码:

void Train (int numInputs, int numOutputs, double inputs [], double outputs []) {
    // Set the Random Seed:
    srand (time (0)) ;

    // Weights (n input(s) * n output(s) = n weight branch(es)):
    double calcWeights [numInputs * numOutputs] ;

    // Errors (n input(s) * n output(s) = n error branch(es)):
    double errors [numInputs * numOutputs] ;

    // Set the Weights to random:
    for (int j = 0 ; j < numInputs ; j = j + 1) {
        calcWeights [j] = ((-1 * numInputs) + (((double) rand ()) % (1 * numInputs))) ;
    }

    // Train:
    int i = 0 ;
    double in = 0 ;
    double out [numOutputs] ;
    while (i < 14999) {
        // Get the estimated output:
        for (int k = 0 ; k < numOutputs ; k = k + 1) {
            for (int l = 0 ; l < numInputs ; l = l + 1) {
                in = in + (inputs [l] * calcWeights [l]) ;
            }

            out [k] = in + GetBias () ;
        }

        for (int m = 0 ; m < numOutputs ; m = m + 1) {
            error [m] = outputs [m] - out [m]
        }

        // Increment the iterator:
        i = i + 1 ;
    }
}

1 回复 | 直到 6 年前

super 6 年前

从你在评论中的澄清来看,我相信稍微修改一下你的循环就能得到你想要的。

for (int k = 0 ; k < numOutputs ; k = k + 1) {
    in = 0; //Reset in to 0 at the beginning of each output loop

    for (int l = 0 ; l < numInputs ; l = l + 1) {
        in = in + (inputs [l] * calcWeights [l + k*numInputs]) ;
    }

    out [k] = in + GetBias () ;
}

您还应该确保初始化上面所有的权重。

for (int j = 0 ; j < (numInputs * numOutputs) ; j = j + 1) {
    calcWeights [j] = ((-1 * numInputs) + (((double) rand ()) % (1 * numInputs))) ;
}

对于一些样式的选择,我只想指出您可以替换 k = k + 1 简单地 ++k 是的。同样地,你可以替换 in = in + ...; 具有 in += ...;

推荐文章

Rasmus Anker Fossen Nordal · 如果没有精确的答案,如何训练神经网络?[已关闭]

6 年前

alpaca · 在“tf”的输入函数中返回多个值。py\u函数`

6 年前

lelli · python中的反向传播:无法理解一行代码

7 年前

rwallace · 显示二次内存消耗的反向传播

7 年前

blue-sky · 反向传播中的矩阵维数不匹配

7 年前

Harsh kumar · 神经网络中的线性函数产生较大的输出值

7 年前

Sridhar · 使用scipy实现反向传播梯度下降。优化减少

7 年前

Moran Reznik · 神经网络终止规则

7 年前

Josh Korn · 反向传播公式似乎无法实现

7 年前

sezanzeb · 神经网络函数收敛到y=1

8 年前