MATLAB中的神经网络，初始权值

我用newff（…）在MATLAB中制作了神经网络。当您使用相同的输入和输出对其进行训练时，在不同的运行中，训练结果是不同的。我知道这是因为每次我跑步的重量都不一样。我的问题是，如何在每次训练神经网络时使初始权重相同，以便获得相同的结果？ 此外，是否有可能从1号训练中节省一些重量，然后再将其用于2号训练，以及如何进行

Tnx

要执行此操作，您需要手动将随机数生成器设置为代码开头的相同种子/状态。这可以在a中完成（取决于您拥有的MATLAB版本）：

旧式：

rand('twister',1234)

更新的样式：

RandStream.setGlobalStream( RandStream('mt19937ar','Seed',1234) );

R2011a中引入了一种简化最后一次调用的方法：

rng(1234,'twister')

---

后一种语法是推荐的方法。

作为旁注，不是直接的答案，有一种叫做

---

根据我的经验，它工作得很好，帮助神经网络更快地收敛。我发现这也使结果更加一致。我建议将其与固定随机种子一起使用。

不同的Matlab神经网络工具箱结果是因为两个原因：1-随机数据分割2-随机权重初始化

对于不同的数据分割问题，请使用函数“divideblock”或“divideint”代替“dividerand”，如下所示：

net.dividefcn='divideblock
net.divideparam.trainratio=.7
net.divideparam.valratio=.15
net.divideparam.testratio=.15

对于随机权重初始化问题，似乎（我不确定）所有Matlab初始化函数（“initzero”、“initlay”、“initwb”、“initnw”）几乎都是随机的。因此，您应该强制此函数每次调用都产生类似的结果

RandStream.setGlobalStream（RandStream（'mrg32k3a'，'Seed'，1234））

然后使用其中一个：

net.initFcn='initlay'
net.layers{i}.initFcn='initnw'
你想实际训练神经网络吗？如果在每个训练周期中使用相同的权重（即权重不变），则无法训练神经网络。。。那么你的目标是什么？是的，我确实想训练NN。在我的.m文件中，我创建、训练和模拟NN。但是，当我第三次运行网络时，我获得了网络训练的最佳性能。所以，我的想法是保存第二次运行的权重，并在下次使用它们作为初始权重（因此我不需要连续运行3次）。Chris是对的，仔细检查哪种权重的初始化被用作默认值，因为在最新版本的MATLAB中，默认值不是随机初始化，而是Nguyen Widrow init算法。开始格式化代码时，失去耐心；-）请自己编辑并删除背景
If you really want to have the weights before and after the training of NN you can use these codes :

for n1=4:8
    wb1=rand(n1,n_input);
    wb2=rand(n_output,n1);
    bb1=rand(n1,1);
    bb2=rand(n_output,1);

    wb=[wb1(:);wb2(:);bb1;bb2]';

    xlswrite(['weight' num2str(n1) '.xlsx'],wb,'Sheet1',num2str(n1));

end


if n1==4
        wb = xlsread(['weight' num2str(n1) '.xlsx']);
        i1 = n1*n_input;
        i2 = n_output*n1;
        i3 = n1;
        i4 = n_output;

        f1=wb(1:i1);
        f2=wb(i1+1:i1+i2);
        f3=wb(i1+i2+1:i1+i2+i3);
        f4=wb(i1+i2+i3+1:i1+i2+i3+i4);

        wb1=reshape(f1,n1,n_input);
        wb2=reshape(f2,n_output,n1);
        bb1=reshape(f3,n1,1);
        bb2=reshape(f4,n_output,1);

    elseif n1==5
        wb=xlsread(['weight' num2str(n1) '.xlsx']);
        i1=n1*n_input;
        i2=n_output*n1;
        i3=n1;
        i4=n_output;

        f1=wb(1:i1);
        f2=wb(i1+1:i1+i2);
        f3=wb(i1+i2+1:i1+i2+i3);
        f4=wb(i1+i2+i3+1:i1+i2+i3+i4);

        wb1=reshape(f1,n1,n_input);
        wb2=reshape(f2,n_output,n1);
        bb1=reshape(f3,n1,1);
        bb2=reshape(f4,n_output,1);

    elseif n1==6
        wb=xlsread(['weight' num2str(n1) '.xlsx']);
        i1=n1*n_input;
        i2=n_output*n1;
        i3=n1;
        i4=n_output;

        f1=wb(1:i1);
        f2=wb(i1+1:i1+i2);
        f3=wb(i1+i2+1:i1+i2+i3);
        f4=wb(i1+i2+i3+1:i1+i2+i3+i4);

        wb1=reshape(f1,n1,n_input);
        wb2=reshape(f2,n_output,n1);
        bb1=reshape(f3,n1,1);
        bb2=reshape(f4,n_output,1);

    elseif n1==7
        wb=xlsread(['weight' num2str(n1) '.xlsx']);
        i1=n1*n_input;
        i2=n_output*n1;
        i3=n1;
        i4=n_output;

        f1=wb(1:i1);
        f2=wb(i1+1:i1+i2);
        f3=wb(i1+i2+1:i1+i2+i3);
        f4=wb(i1+i2+i3+1:i1+i2+i3+i4);

        wb1=reshape(f1,n1,n_input);
        wb2=reshape(f2,n_output,n1);
        bb1=reshape(f3,n1,1);
        bb2=reshape(f4,n_output,1);

    elseif n1==8
        wb=xlsread(['weight' num2str(n1) '.xlsx']);
        i1=n1*n_input;
        i2=n_output*n1;
        i3=n1;
        i4=n_output;

        f1=wb(1:i1);
        f2=wb(i1+1:i1+i2);
        f3=wb(i1+i2+1:i1+i2+i3);
        f4=wb(i1+i2+i3+1:i1+i2+i3+i4);

        wb1=reshape(f1,n1,n_input);
        wb2=reshape(f2,n_output,n1);
        bb1=reshape(f3,n1,1);
        bb2=reshape(f4,n_output,1);
    end

    net = newff(inputs,targets,4,{'tansig','purelin'},'trainlm');
    n.IW{1,1}=wb1;
    n.LW{2,1}=wb2;
    n.b{1}=bb1;
    n.b{2}=bb2;


And after training for saving the network you want :

[net tr] = train(net,inputs,targets);

wb11=n.IW{1,1};
    wb22=n.LW{2,1};
    bb11=n.b{1};
    bb22=n.b{2};

    wbzz=[wb11(:);wb22(:);bb11;bb22]';

    xlswrite('weight.xlsx',wbzz,'Sheet1');