Ⅰ 神經網路是不是都要歸一化！
歸一化，就是為了限定你的輸入向量的最大值跟最小值不超過你的隱層跟輸出層函數的限定范圍。比如，你的隱層的傳遞函數為logsig，那麼你的輸出就在0~1范圍內，如果你的傳遞函數為tansig，你的隱層的輸出在-1~·范圍內，用歸一化，這也是為了你的隱層傳遞函數的輸出著想。標准化，只是對數據進行了統一的標准，其大小可能已經超出了隱層傳遞函數的界定范圍，在後續的運行時，容易出錯。
Ⅱ 請問BP神經網路的輸出層元個數有限制嗎急！
太專業了
Ⅲ pytorch如何約束神經網路模型的權重范圍
裡面有個clip
Ⅳ 請教一個關於matlab BP神經網路輸出層的問題
不存在確定的關系。
你問的應該是輸出層數和輸出之間的預測准確度吧？
1，一般，BP神經網路是3層的，有一個輸入層，一個隱層，一個輸出層。
2，你如果學的不需要不是十分深入的話，調整隱層數和隱層結點數，隱層的轉換函數，就可以調整預測准確度。
3，BP神經網路的隱層數，各隱層的節點數都是要不斷的調節的，不過有一個一般性的范圍。
隱層節點數 L<n-1或L=log2（n）取整或L<sqrt(m-n)+a (這里的n是上一層節點數，m是下一層節點數，a是1-10任意常數)。
4，轉換函數的選擇看書本吧，一般你用軟體的話，軟體的默認轉換函數都可以的。
Ⅳ matlab實現人工神經網路的時候如何設置輸出層的節點
newff裡面設置啊。
一個函數你想要擬合2種結果？奇了怪了！！！
Ⅵ 神經網路的主要內容特點
（1） 神經網路的一般特點
作為一種正在興起的新型技術神經網路有著自己的優勢，他的主要特點如下：
① 由於神經網路模仿人的大腦，採用自適應演算法。使它較之專家系統的固定的推理方式及傳統計算機的指令程序方式更能夠適應化環境的變化。總結規律，完成某種運算、推理、識別及控制任務。因而它具有更高的智能水平，更接近人的大腦。
② 較強的容錯能力，使神經網路能夠和人工視覺系統一樣，根據對象的主要特徵去識別對象。
③ 自學習、自組織功能及歸納能力。
以上三個特點是神經網路能夠對不確定的、非結構化的信息及圖像進行識別處理。石油勘探中的大量信息就具有這種性質。因而，人工神經網路是十分適合石油勘探的信息處理的。
（2） 自組織神經網路的特點
自組織特徵映射神經網路作為神經網路的一種，既有神經網路的通用的上面所述的三個主要的特點又有自己的特色。
① 自組織神經網路共分兩層即輸入層和輸出層。
② 採用競爭學記機制，勝者為王，但是同時近鄰也享有特權，可以跟著競爭獲勝的神經元一起調整權值，從而使得結果更加光滑，不想前面的那樣粗糙。
③ 這一網路同時考慮拓撲結構的問題，即他不僅僅是對輸入數據本身的分析，更考慮到數據的拓撲機構。
權值調整的過程中和最後的結果輸出都考慮了這些，使得相似的神經元在相鄰的位置，從而實現了與人腦類似的大腦分區響應處理不同類型的信號的功能。
④ 採用無導師學記機制，不需要教師信號，直接進行分類操作，使得網路的適應性更強，應用更加的廣泛，尤其是那些對於現在的人來說結果還是未知的數據的分類。頑強的生命力使得神經網路的應用范圍大大加大。
Ⅶ 徑向基神經網路的輸出個數有沒有限制
沒有規定說只能有一個輸出，輸出向量維數也是根據你的輸出樣本確定的。在RBF網路之前訓練，需要給出輸入向量X和目標向量T，訓練的目的是要求得第一層和第二層之間的權值W1、閥值B1，和第二層與第三層之間的權值W2、閥值B2。整個網路的訓練分為兩步，第一部是無監督的學習，求W1、B1。第二步是有監督的學習求W2、B2。
newrbe（）函數：和newrb（）功能差不多，用於創建一個精確地神經網路，能夠基於設計向量快速的無誤差的設計一個徑向基網路。該函數在創建RBF網路的時候，自動選擇隱含層數目，隱藏層的數目等於樣本輸入向量的數目，使得誤差為0。在樣本輸入向量非常多的情況下，用rbe就不大合適。
Ⅷ 神經網路的硬限幅函數是什麼舉個例子
基於MATLAB的神經網路編程
(1)編程理論
作為比較成熟的演算法，軟體Matlab中有神經網路工具箱，所以可以藉助Matlab神經網路工具箱的強大功能，在此基礎上進行二次開發，從繁瑣的編程工作中解脫出來，大大提高工作效率。
Matlab的神經網路工具箱是在Matlab環境下所開發出來的許多工具箱之一，它以人工神經網路理論為基礎，用Matlab語言構造出典型神經網路的激活函數（如S型、線性等激活函數），使使用者對所選定網路的輸出計算編程對激活函數的調用；另外，根據各種修改網路權值的規律，加上網路的訓練過程，用Matlab編寫出各種網路訓練的子程序。這樣，使用者可以根據自己的應用要求，直接調用（或加進自己編寫的）神經網路子函數，而不必要從事繁瑣的編程。
基於Matlab的BP神經網路編程過程如下：
(1)對樣本集進行歸一化
確定輸入樣本和輸出樣本，並對它們進行歸一化，將輸入和輸出樣本變換到（0.1，0.9）區間，由於Matlab的歸一化函數premnmx把數據變換到（-1，1）之間，所以使用自編premnmx2歸一化函數。
(2)創建BP神經網路
在樣本集確定之後，即可進行網路的結構設計，在Matlab中一般使用newff創建函數，它不但創建了網路對象，還自動初始化網路的權重和閾值。如果需要重新初始化網路權重和閾值，可以使用Init函數。
關鍵語句如下：
net＝newff（輸入樣本的取值范圍，[網路各層的神經元數目]，{網路各層神經元的激活函數}，『訓練函數'，『學習函數』，『性能函數』）
一般選用三層BP網路，輸入層、輸出層的神經元個數根據具體情況確定，而隱層神經元個數目前多採用經驗的方法確定。
(3)設置網路的訓練參數
net.trainParam.epochs―最大收斂次數；
net.trainParam.goal―收斂誤差；
net.trainParam.show―顯示間隔；
以上在一般的神經網路訓練中都有使用，本文使用Levenberg－Marquart優化演算法進行訓練，還需設置的參數有：
net.trainParam.mu―Levenberg－Marquart優化演算法中的
net.trainParam.mu_dec― 的縮減因子；