关于#神经网络#的问题：隐含层到输出层的权值更新输入层到隐含层的权值更新隐含层到输出层的阈值更新输入层到隐含层的阈值更新

Question

请问各位，以下是双隐含层的权值更新公式吗？今天看材料看到的，一直没在网上看到相同的式子，谢谢大家啦，如果不是，那是啥呢？
隐含层到输出层的权值更新

输入层到隐含层的权值更新

隐含层到输出层的阈值更新

输入层到隐含层的阈值更新

Answer 1

【以下回答由 GPT 生成】

对于双隐含层的神经网络，权值更新和阈值更新的公式可以通过反向传播算法来计算和更新。以下是针对双隐含层神经网络的权值和阈值更新公式：

权值更新公式： 1. 隐藏层1到隐藏层2之间的权值更新公式： ΔW_2 = η * δ_2 * a_1 其中： - ΔW_2：权值的变化量 - η：学习率 - δ_2：隐藏层2神经元的误差项（通过链式法则反向传播计算得到） - a_1：隐藏层1神经元的输出值（即输入到隐藏层2的输入值）

1. 输入层到隐藏层1之间的权值更新公式： ΔW_1 = η * δ_1 * x 其中：
2. ΔW_1：权值的变化量
3. η：学习率
4. δ_1：隐藏层1神经元的误差项（通过链式法则反向传播计算得到）
5. x：输入层神经元的输出值（即输入到隐藏层1的输入值）

阈值更新公式： 1. 隐藏层2的阈值更新公式： Δθ_2 = -η * δ_2 其中： - Δθ_2：阈值的变化量 - η：学习率 - δ_2：隐藏层2神经元的误差项（通过链式法则反向传播计算得到）

1. 隐藏层1的阈值更新公式： Δθ_1 = -η * δ_1 其中：
2. Δθ_1：阈值的变化量
3. η：学习率
4. δ_1：隐藏层1神经元的误差项（通过链式法则反向传播计算得到）

以上是双隐含层神经网络的权值和阈值更新公式。请注意，在实际应用中，你可能需要根据具体的问题和网络结构进行相应的调整和修改。同时，反向传播算法的具体实现可能还需要考虑批量更新、动量、正则化等技术手段。

【相关推荐】

• 这有个类似的问题, 你可以参考下: https://ask.csdn.net/questions/731513
• 这篇博客也不错, 你可以看下特征工程中常用技术所涉及到的方法——特征选择、降维和不平衡数据处理
• 您还可以看一下 吴刚老师的【吴刚】技术答疑与项目讲评视频教程（随时更新）课程中的 【作业解析】线框图标的绘制方法和技巧小节, 巩固相关知识点
  
• 除此之外, 这篇博客: 万物皆可建模，来点不一样的知识，新型冠状病毒肺炎的传播预测模型中的 小结 部分也许能够解决你的问题。

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^