Neural network 用神经网络的权值和偏差推导方程

我用一个大型数据库进行了一个神经网络测试，在测试中得到了很好的答案（误差很小，接近4%）。现在我想使用权重和偏差来推导一个方程，以便直接得到我的输出（无需再次使用该网络）。我怎样才能推导出一个方程来得到我的输出呢？

这取决于你使用的是哪种神经网络。 如果它是一个简单的前馈网络，那么推导公式所需要做的就是用权重矩阵和偏差向量通过激活函数传播输入

假设你有一个SLFN（单层前馈网络），这基本上意味着你有一个输入层，一个隐藏层和一个输出层

让我们表示：

• 输入向量X
• 输入和隐藏之间的权重矩阵W_ih
• 隐藏层上的偏移向量b
• 隐藏节点上的激活功能f
• 隐藏层的输出Y\u h
• 隐藏和输出之间的权重矩阵W_ho
• 输出向量Y

计算输出的步骤包括：

1-通过连接将输入向量传播到隐藏层，并添加偏差项。这将提供“进入”隐藏层（有时称为“logit”）的总输入：

Z=X*W_ih+B

其中，B是一个矩阵，它的每一行都等于向量B，且行数与输入大小写相同

2-将激活功能应用于此登录：

Y_h=f（Z）=f（X*W_ih+B）

3-再次通过与输出层的连接传播此向量，您的输出向量Y等于：

Y=Y_h*W_ho=f（X*W_ih+B）*W_ho

---

现在，如果你有更多的隐藏层，你所要做的就是对每个额外的隐藏层重复步骤1和2，然后对输出层重复步骤3。

这取决于你使用的是哪种神经网络。 如果它是一个简单的前馈网络，那么推导公式所需要做的就是用权重矩阵和偏差向量通过激活函数传播输入

假设你有一个SLFN（单层前馈网络），这基本上意味着你有一个输入层，一个隐藏层和一个输出层

让我们表示：

• 输入向量X
• 输入和隐藏之间的权重矩阵W_ih
• 隐藏层上的偏移向量b
• 隐藏节点上的激活功能f
• 隐藏层的输出Y\u h
• 隐藏和输出之间的权重矩阵W_ho
• 输出向量Y

计算输出的步骤包括：

1-通过连接将输入向量传播到隐藏层，并添加偏差项。这将提供“进入”隐藏层（有时称为“logit”）的总输入：

Z=X*W_ih+B

其中，B是一个矩阵，它的每一行都等于向量B，且行数与输入大小写相同

2-将激活功能应用于此登录：

Y_h=f（Z）=f（X*W_ih+B）

3-再次通过与输出层的连接传播此向量，您的输出向量Y等于：

Y=Y_h*W_ho=f（X*W_ih+B）*W_ho

---

现在，如果你有更多的隐藏层，你所要做的就是对每一个额外的隐藏层重复步骤1和2，然后对输出层重复步骤3。

嗨，亲爱的多尔玛，谢谢你的帮助。你知道我确实做了这个过程，但当我测试它时，看到了错误的答案。我不知道有什么问题。请给我解释一下重量。我认为我使用的一系列权重有特殊的顺序。例如，当我们有六个输入和隐藏层中的四个神经元，以及一个或三个输出时，我如何识别权重指数来知道哪个神经元。事实上，我想知道当我有24个权值时，哪个权值是哪个神经元和输入的。知道了它，我们就可以使用这个算法。非常感谢，我在等待你的答案。如果你有24个权重，6个输入和4个隐藏节点，这意味着这些是从输入层到隐藏层的所有权重。据我所知，你们的权重不是矩阵形式，而是数组形式。您可以有两种情况，第一种情况是您的权重按“原点”排列，这意味着前4个权重从输入节点1到所有4个隐藏节点，下4个权重从输入节点2到所有4个隐藏节点，等等。另一种可能是它们按“目的地”排列，然后，前6个权重从所有6个输入节点到隐藏节点1，等等。然后，您所要做的就是重塑数组以获得矩阵。虽然你不能凭空猜出来。因此，如果你有一些关于你的代码如何工作的信息，这会有所帮助。它是你手工编码的还是你一直在使用图书馆？如果它是一个库，你可能想看看文档，看看权重是如何格式化的。嗨，亲爱的多尔玛，再次非常感谢，我这么做了，但再次给了我错误的答案。测试答案和我写的公式答案之间的差异更大。我测试了你们提出的两种方法，但并没有取得任何成果。我想这里还有另一个我不知道的参数或键。你曾经这样做过吗？（推导公式是根据激活函数（传递函数）、权重和偏差建立的）是的，如果这两个