|
|
网上有很多解释，但都是基于三层网络而言，这些解释看matlab帮助就能知道，但对多层网络并没什么说明，现在说一下多层下的权重矩阵和偏置。
先假设神经网络结构，{ 9 [80 50 20] 1 }；9为输入层，[80 50 20]为隐层，1为输出层。
- net.iw{1,1} 表示 输入层 到 第1层隐层 的权重，为80*9的矩阵；
- net.lw{2,1} 表示 第1层隐层 到 第2层隐层 的权重，为50*80的矩阵；
- net.lw{3,2} 表示 第2层隐层 到 第3层隐层 的权重，为20*50的矩阵；
- net.lw{4,3} 表示 第3层隐层 到 输出层 的权重，为1*20的矩阵；
- net.b{1} 表示 第1层隐层 的偏置，为80*1的矩阵；
- net.b{2} 表示 第2层隐层 的偏置，为50*1的矩阵；
- net.b{3} 表示 第3层隐层 的偏置，为20*1的矩阵；
- net.b{4} 表示 输出层 的偏置，为1*1的矩阵；
可以以此类推。
所以net.iw{1,1}，模式也是固定的，仅表示输入层到第1层隐层的权重，之后就net.lw的事情了。net.lw{i,j} 表示 第j层隐层 到 第i层隐层 的权重。net.b{k} 表示 第k层隐层 的偏置或者说阈值，结构都为列向量。可以看出，这里假设的隐含层只有3层[80 50 20]，但net中将最后一层输出层也当隐含层用了，所以 i 和 k 可以取到4。
知道权重和偏置的位置，可以用算法优化，如遗传算法等。 |
|
发表于 2022-9-23 16:04:51