Machine learning 多层感知器训练实例制作_Machine Learning_Neural Network_Perceptron_Multi Layer_Activation Function

Machine learning 多层感知器训练实例制作

machine-learning neural-network

Machine learning 多层感知器训练实例制作,machine-learning,neural-network,perceptron,multi-layer,activation-function,Machine Learning,Neural Network,Perceptron,Multi Layer,Activation Function,我试图制作几个训练示例，以获得正确实现硬阈值激活函数的特定网络的一组权重和偏差四个输入x_1。。。x_4，其中x_i是实数，如果x_1输出0，则fz=0， 1,2,3,4->输出1 。。等等但是，由于输入域太广，无法构建具体的示例来使用多层感知算法你能帮我找到应用该算法的合适例子吗？不，它不太广泛，你可以集中在每个x_i的[0,1]范围内，因为在任何情况下，你都需要标准化数据来训练神经网络所以基本上你可以在[0，1]范围内生成均匀分布的随机数，检查它们是否被排序，并相应地生成标签。然后你

我试图制作几个训练示例，以获得正确实现硬阈值激活函数的特定网络的一组权重和偏差

四个输入x_1。。。x_4，其中x_i是实数，如果x_1 硬阈值激活函数

如果z>=0，则fz=1；如果z输出1,0,0,0->输出0,0,0,1->输出0，则fz=0， 1,2,3,4->输出1

。。等等但是，由于输入域太广，无法构建具体的示例来使用多层感知算法

你能帮我找到应用该算法的合适例子吗？

不，它不太广泛，你可以集中在每个x_i的[0,1]范围内，因为在任何情况下，你都需要标准化数据来训练神经网络

所以基本上你可以在[0，1]范围内生成均匀分布的随机数，检查它们是否被排序，并相应地生成标签。然后你重复说10公里或100公里，然后你有一个数据集来训练MLP。您还可以使用所选步骤离散[0，1]范围以生成数字

h1 = x1w11 + x2w12 + x3w13 + x4w14 + b11

h2 = x1w21 + x2w22 + x3w23 + x4w24 + b21

h3 = x1w31 + x2w32 + x3w33 + x4w34 + b31

y = w1h1 + h2w2 + h3w3 + b (*Actually h1, h2, h3 are f(h1),f(h2),f(h3) because of activation function)