Machine learning 反向传播中的阈值

反向传播算法中阈值的用途是什么。我编写了一个用于类标签标识的java代码。我对神经元使用了一些随机阈值（0-1）。我对系统进行了培训，并使用一些数据进行了测试。它运行得非常好。但是，该算法在使用或不使用阈值的情况下有什么不同。

你所谓的“阈值”实际上是神经元表示的仿射变换中的偏差

f(w,x,b) = g(<w,x>+b)

f（w，x，b）=g（+b）

偏差不应该像你建议的那样用作常数，而应该像网络中的任何其他参数一样进行训练。通常，我们只是简单地加上一个假设的“偏差神经元”总是等于1，所以偏差就变成了另一个权重

f(w,x,b) = g(<[w b], [x 1]>)

f（w，x，b）=g（）

为什么有偏见很重要？一般来说，没有偏见意味着，在神经元中训练的“过滤器”（特征检测器）必须经过原点。您可以将每个神经元视为输入空间中的一个超平面，围绕该超平面“折叠”空间，使数据变得更可分离。如果没有偏差-所有这些超平面都在原点处闭合。如果将它们固定为常量，则可以固定它们与原点的距离。最后，如果你训练它们——算法可以将它们自由地放置在输入空间中（期望的行为）。

你所谓的“阈值”实际上是由神经元表示的仿射变换中的偏差

f(w,x,b) = g(<w,x>+b)

f（w，x，b）=g（+b）

偏差不应该像你建议的那样用作常数，而应该像网络中的任何其他参数一样进行训练。通常，我们只是简单地加上一个假设的“偏差神经元”总是等于1，所以偏差就变成了另一个权重

f(w,x,b) = g(<[w b], [x 1]>)

f（w，x，b）=g（）

为什么有偏见很重要？一般来说，没有偏见意味着，在神经元中训练的“过滤器”（特征检测器）必须经过原点。您可以将每个神经元视为输入空间中的一个超平面，围绕该超平面“折叠”空间，使数据变得更可分离。如果没有偏差-所有这些超平面都在原点处闭合。如果将它们固定为常量，则可以固定它们与原点的距离。最后，如果你训练它们——算法可以将它们自由地放置在输入空间中（期望的行为）。

你所谓的“阈值”实际上是由神经元表示的仿射变换中的偏差

f(w,x,b) = g(<w,x>+b)

f（w，x，b）=g（+b）

偏差不应该像你建议的那样用作常数，而应该像网络中的任何其他参数一样进行训练。通常，我们只是简单地加上一个假设的“偏差神经元”总是等于1，所以偏差就变成了另一个权重

f(w,x,b) = g(<[w b], [x 1]>)

f（w，x，b）=g（）

为什么有偏见很重要？一般来说，没有偏见意味着，在神经元中训练的“过滤器”（特征检测器）必须经过原点。您可以将每个神经元视为输入空间中的一个超平面，围绕该超平面“折叠”空间，使数据变得更可分离。如果没有偏差-所有这些超平面都在原点处闭合。如果将它们固定为常量，则可以固定它们与原点的距离。最后，如果你训练它们——算法可以将它们自由地放置在输入空间中（期望的行为）。

你所谓的“阈值”实际上是由神经元表示的仿射变换中的偏差

f(w,x,b) = g(<w,x>+b)

f（w，x，b）=g（+b）

偏差不应该像你建议的那样用作常数，而应该像网络中的任何其他参数一样进行训练。通常，我们只是简单地加上一个假设的“偏差神经元”总是等于1，所以偏差就变成了另一个权重

f(w,x,b) = g(<[w b], [x 1]>)

f（w，x，b）=g（）

---

---

为什么有偏见很重要？一般来说，没有偏见意味着，在神经元中训练的“过滤器”（特征检测器）必须经过原点。您可以将每个神经元视为输入空间中的一个超平面，围绕该超平面“折叠”空间，使数据变得更可分离。如果没有偏差-所有这些超平面都在原点处闭合。如果将它们固定为常量，则可以固定它们与原点的距离。最后，如果你训练他们-算法可以自由地将他们放在输入空间（期望的行为）。

你的意思是“偏差”。激活总是有一个阈值。使用偏差单位，可以训练阈值。是否有任何方法或公式（取决于其他参数）用于生成随机权重或仅使用random（）函数。最常见的是接近0的小随机权重。好的，我使用seed生成。[rand.nextDouble（）*100/100]你的意思是“偏见”。激活总是有一个阈值。使用偏差单位，可以训练阈值。是否有任何方法或公式（取决于其他参数）用于生成随机权重或仅使用random（）函数。最常见的是接近0的小随机权重。好的，我使用seed生成。[rand.nextDouble（）*100/100]你的意思是“偏见”。激活总是有一个阈值。使用偏差单位，可以训练阈值。是否有任何方法或公式（取决于其他参数）用于生成随机权重或仅使用random（）函数。最常见的是接近0的小随机权重。好的，我使用seed生成。[rand.nextDouble（）*100/100]你的意思是“偏见”。激活总是有一个阈值。使用偏差单位，可以训练阈值。是否有任何方法或公式（取决于其他参数）用于生成随机权重或仅使用random（）函数。最常见的是接近0的小随机权重。好的，我使用seed生成。[rand.nextDouble（）*100/100]我不理解您使用的术语。请您简单一点。我是一个新手，只根据算法和应用的阈值编写了这段代码。什么是偏见？你刚才用的函数“f”和“g”是什么。如果你有watsapp或facebook帐户，请给我详细信息，我有一些疑问，因为我这样做是为了出版（杂志）。谢谢：）老实说，这是最简单的术语。你有一个节点，节点w