Neural network 多层感知器问题

我正在做一个学校项目，设计一个神经网络（mlp）

我用图形用户界面制作了它，这样它就可以交互了

对于我所有的神经元，我都使用SUM作为GIN函数， 用户可以为每个层选择激活功能

我有一个理论问题：

• 我是为每个神经元还是为整个层分别设置阈值、g和a参数

---

看起来不错！您可以有3个隐藏层，但您将看到，通过实验，您很少需要那么多的层。你的训练模式是什么

问题的答案取决于您的训练模式和输入神经元的目的。。例如，当某些输入神经元具有不同类型的值时，您可以对连接到该输入神经元的神经元中的参数使用另一个阈值函数或不同的设置

---

但一般来说，最好将神经网络输入输入到单独的感知器中。所以，答案是：理论上，你可以预先设定神经元的个体属性。。但是在反向传播学习的实践中，它是不需要的。神经元没有“个体属性”，训练周期产生的权重值每次都会不同。所有初始权重可以设置在一个小的随机值上，转移阈值和学习速率将在每一层上设置。

我们还没有学习学习模式，哦，等等，我们做了，监督学习，这个项目更像是GUI的东西，所以老师可以看到我们理解神经网络应该如何工作，在以后的项目中，我们必须实现一个网络来解决问题。我们将只学习前馈，而不是反向传播。在这种情况下，我会保持简单。用户应指定层的数量、层的大小以及所有权重的最大随机初始权重值。对所有神经元使用单个treshold函数。。有一件事：在上述情况下，您需要设置3个学习速率：当使用隐藏层时，用户应该能够为每个层设置不同的学习速率。