神經網路修改權重後，下次會使用新的輸入值嗎？

是的，按樣本順序逐輪訓練，調整權重。 所有樣品都計數。 按順序採集樣本，代入BP演算法，並調整權重。

還有一些演算法是隨機的，每次樣本進來的順序都不同，但仍然所有樣本都必須參與。

其實有兩種方法，一種是在標準的BP演算法中，每個輸入的樣本必須傳回去，權重必須調整，這種旋轉每個樣本的方法叫做“單次訓練”。 由於單次訓練遵循“標準化”原則，只針對每個樣本產生的誤差進行調整，因此難免訓練次數增加，收斂速度過慢。 因此，還有另一種方法，就是計算網路輸入完所有樣本後的總誤差，然後根據總誤差調整權重，這種累積誤差的批處理方法稱為“批次訓練”或“週期訓練”。

當樣本數量較大時，批量訓練比單次訓練收斂得更快。

你說的應該是訓練方法，神經網路的權重不是人為給出的。 取而代之的是用訓練集（包括輸入和輸出）進行訓練，用訓練集訓練稱為乙個紀元，一般需要很多個紀元，目的是在目標和訓練結果之間做出誤差（一般使用均方誤差。

神經網路的權重是通過對網路的訓練獲得的。 如果使用 MATLAB，不要自己設定，newff 後會自動賦值。 也可以手動：

。一般來說，輸入是歸一化的，所以 w 和 b 取從 0 到 1 的隨機數。 神經網路加權確定的目的是讓神經網路在訓練過程中學習有用的資訊，這意味著引數梯度不應為 0。

引數初始化有兩個必要條件：

1、每個活化層都不會出現飽和現象，例如對於sigmoid活化函式，初始化值不宜過大或過小，導致落入其飽和區。

2.每個啟用值不為0，如果啟用層的輸出為零，即下乙個卷積層的輸入為零，則該卷積層權重的部分推導為零，導致梯度為0。

（1）最初，每個權重由隨機數函式生成，值的範圍在[-1,1]之間。

2）在操作過程中，通過BP演算法得到均方誤差的梯度，然後調整BP網路的權重。例如：w（i，j，k+1）=w（i，j，k）+delta（e（i，j）））。

權重在開始時自動生成，然後根據訓練資料對神經網路進行訓練，在訓練過程中，神經網路根據輸出誤差自動調整權重以滿足輸出要求。 所以權重與訓練資料相關，可以在MATLAB神經網路工具箱中試用，在MATLAB命令中輸入NNTOOL即可獲取介面！

權重是通過訓練網路獲得的，是對所需輸入和輸出資料的訓練。

您是否正在使用遺傳演算法來優化權重和閾值？

我不知道你x的**是從哪裡來的？ 所以我不知道你是如何確定初始權重和閾值的。

但是，當我們通常編寫程式時，這些值是隨機給出的。

房東，你怎麼理解？

輸入到隱藏層權重：w1= 隱藏層閾值：b1= 隱藏層到輸出層權重：w2=; 輸出層閾值：b2=

初始連線權重與網路訓練的速度和收斂率有關，在基礎神經網路中，這個權重是隨機設定的。 在網路訓練過程中，向減少誤差的方向進行調整。 鑑於該權重隨機性不確定性的缺點，有人提出用遺傳演算法初始化BP的初始權重和閾值，提出了遺傳神經網路模型，並預測下一代神經網路將是遺傳神經網路。

希望對你有所幫助。 您可以檢視有關此的文獻。

訓練後的權重和閾值的輸出方法如下：

輸入隱藏圖層的權重：w1=

隱藏層閾值：theta1=

隱藏層到輸出層的重量：w2=;

輸出層閾值：theta2=

經過訓練的網路將獲得乙個確定的權重和閾值，將其代入原始模型（數學表示式），然後找到該模型輸入變數的偏導數，以獲得輸入對輸出的影響。

確定性應該是訓練方法，神經網路的權重不是人為給出的。 取而代之的是，它使用訓練集（包括輸入和輸出）進行訓練，使用訓練集進行訓練稱為 epoch，通常需要許多 epoch，以便使目標和訓練結果之間的誤差（一般為均方誤差）小到給定的閾值。 有監督學習方法和無監督學習方法。