BP神经网络中net.iw{1,1} 两个1分别代表什么意思？？

第一个1是指网络层数（netnumLayers）；

第二个1是指网络输入个数（netnumInputs）；

从第j个输入到到第i层的权重的权重矩阵（或null matrix []）位于netiw {i，j}；

神经网络对象IW属性：该属性定义了网络输入和各输入层神经元之间的网络权值，属性值为NxNi维的单元数组，其中，N为网络的层数，Ni为网络的输入个数。

如果netinputConnect(i,j)为1，即第i层上的各神经元接收网络的第j个输入，那么在单元netiw {i，j}中将存储它们之间的网络权值矩阵。

该矩阵的行数为第i层神经元的个数（netlayers{i}size），列数为第j个输入的维数（netinputs{j}size）与输入延退拍数（net inputWeights{i,j}delays）的乘积。

扩展资料：

netIW{i,j}的作用

通过访问netIW{i,j}，可以获得第i 个网络层来自第j 个输入向量的权值向量值。 所以一般情况下net,iw{1,1}就是输入层和隐含层之间的权值。

netIW{i,j}各个属性的含义：

（1）、delays：该属性定义了网络输入的各延迟拍数，其属性值是由0或正整数构成的行矢量，各输入层实际接收的是由网络输入的各个延迟构成的混合输入。

（2）、initFcn：该属性定义了输入权值的初始化函数，其属性值为表示权值初始化函数名称的字符串。

（3）、learn：该属性定义了输入权值在训练过程中是否进行调整，其属性值为0或1。

（4）、learnFcn：该属性定义了输入权值的学习函数，其属性值为表示权值学习函数名称的字符串。

少。

如果你的数据具有非常复杂的对应关系，比如现在你分类到博彩类，用神经网络理论上讲是可以预测的的，很多人发了论文，讲怎么用神经网络预测双色球什么的。实际上效果并不是非常理想。因为内在规律太复杂，有限的数据无法透彻的归纳出来到底数据怎么变化。这种情况下，纵使你又几千个数据也不行。比较保险的办法还是用逆向工程方法建立一个一个的子模型，然后整理成一个大模型再做预测。往往会比因为数据量不够引起的神经网络预测误差要小得多。

1、首先需要了解BP神经网络是一种多层前馈网络。

2、以看一下在matlab中BP神经网络的训练函数，有梯度下降法traingd,d性梯度下降法trainrp，自适应lr梯度下降法traingda等。

3、在matlab中命令行窗口中定义输入P，输出T，·通过“newff(minmax(P),[5,1]构建BP神经网络，“[net,tr]=train(net,P,T);”进行网络训练，“sim(net,P)”得到仿真预测值。

4、在命令行窗口按回车键之后，可以看到出现结果d窗，最上面的Neural Network下面依次代表的是“输入、隐含层、输出层、输出”，隐含层中有5个神经元。

5、Progress下面的Epoch代表迭代次数，Gradient代表梯度，Vaildation Checks代表有效性检查，最后的绿色对勾代表性能目标达成。

6、最后将实际曲线和预测曲线绘制出来，可以看到使用BP神经网络预测的结果曲线基本和实际输出曲线一致。

BP神经网络被称为“深度学习之旅的开端”，是神经网络的入门算法。

各种高大上的神经网络都是基于BP网络出发的，最基础的原理都是由BP网络而来 [1] ，另外由于BP神经网络结构简单，算法经典， 是神经网络中应用最广泛的一种。

BP神经网络（back propagation neural network）全称是反向传播神经网络。

神经网络发展部分背景如下 [2] ：

为解决非线性问题，BP神经网络应运而生。

那么什么是BP神经网络？稍微专业点的解释要怎么说呢？

很喜欢 最简单的神经网络--Bp神经网络 一文对算法原理的解释，语言活泼，案例简单，由浅入深。

文中提到所谓的 AI 技术，本质上是一种数据处理处理技术，它的强大来自于两方面：1互联网的发展带来的海量数据信息；2计算机深度学习算法的快速发展。AI 其实并没有什么神秘，只是在算法上更为复杂 [3] 。

我们从上面的定义出发来解释BP神经网络的原理。

BP神经网络整个网络结构包含了：一层输入层，一到多层隐藏层，一层输出层。

一般说L层神经网络，指的是有L个隐层，输入层和输出层都不计算在内的 [6] 。

BP神经网络模型训练的学习过程由信号的 正向传播 和误差的 反向传播 两个过程组成。

什么是信号的正向传播？顾名思义，就是结构图从左到右的运算过程。

我们来看看结构图中每个小圆圈是怎么运作的。我们把小圈圈叫做神经元，是组成神经网络的基本单元。

正向传播就是输入数据经过一层一层的神经元运算、输出的过程，最后一层输出值作为算法预测值y'。

前面正向传播的时候我们提到权重w、偏置b，但我们并不知道权重w、偏置b的值应该是什么。关于最优参数的求解，我们在 线性回归 、 逻辑回归 两章中有了详细说明。大致来讲就是：

BP神经网络全称 back propagation neural network，back propagation反向传播是什么？

反向传播的建设本质上就是寻找最优的参数组合，和上面的流程差不多，根据算法预测值和实际值之间的损失函数L(y',y)，来反方向地计算每一层的z、a、w、b的偏导数，从而更新参数。

对反向传播而言，输入的内容是预测值和实际值的误差，输出的内容是对参数的更新，方向是从右往左，一层一层的更新每一层的参数。

BP神经网络通过先正向传播，构建参数和输入值的关系，通过预测值和实际值的误差，反向传播修复权重；读入新数据再正向传播预测，再反向传播修正，，通过多次循环达到最小损失值，此时构造的模型拥有最优的参数组合。

以一个简单的BP神经网络为例，由3个输入层，2层隐藏层，每层2个神经元，1个输出层组成。

输入层传入

第一层隐藏层

对于 神经元而言，传入 ，加权求和加偏置激活函数处理后，输出 ；

对于 神经元而言，传入 ，加权求和加偏置函数处理后，输出 ；

输出：

第二层隐藏层

对于 神经元而言，传入 ，加权求和加偏置激活函数处理后，输出 ；

对于 神经元而言，传入 ，加权求和加偏置激活函数处理后，输出 ；

输出：

输出层

对于输出层神经元而言，输入 ，加权求和加偏置激活函数处理后，输出 ，输出的是一个值

第一次运行正向传播这个流程时随用随机参数就好，通过反向传播不断优化。因此需要在一开始对 设置一个随机的初始值。

首先计算正向传播输出值 与实际值的损失 ，是一个数值。所谓反向是从右到左一步步来的，先回到 ，修正参数 。

以此类推，通过对损失函数求偏导跟新参数 ，再跟新参数 。这时又回到了起点，新的数据传入又可以开始正向传播了。

keras可以快速搭建神经网络，例如以下为输入层包含7129个结点，一层隐藏层，包含128个结点，一个输出层，是二分类模型。

神经网络反向传播的优化目标为loss，可以观察到loss的值在不断的优化。

可以通过modelget_layer()get_weights()获得每一层训练后的参数结果。通过modelpredict()预测新数据。

至此，BP神经网络的整个运算流程已经过了一遍。之前提到BP神经网络是为解决非线性问题应运而生的，那么为什么BP神经网络可以解决非线性问题呢？

还记得神经元里有一个激活函数的 *** 作吗？神经网络通过激活函数的使用加入非线性因素。

通过使用非线性的激活函数可以使神经网络随意逼近复杂函数，从而使BP神经网络既可以处理线性问题，也可以处理非线性问题。

为什么激活函数的使用可以加入非线性因素 [7] ？

其实逻辑回归算法可以看作只有一个神经元的单层神经网络，只对线性可分的数据进行分类。

输入参数，加权求和，sigmoid作为激活函数计算后输出结果，模型预测值和实际值计算损失Loss,反向传播梯度下降求编导，获得最优参数。

BP神经网络是比 Logistic Regression 复杂得多的模型，它的拟合能力很强，可以处理很多 Logistic Regression处理不了的数据，但是也更容易过拟合。

具体用什么算法还是要看训练数据的情况，没有一种算法是使用所有情况的。

常见的前馈神经网络有BP网络，RBF网络等。

BP神经网络的一个主要问题是：结构不好设计。

网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。

但是BP神经网络简单、易行、计算量小、并行性强，目前仍是多层前向网络的首选算法。

[1] 深度学习开端---BP神经网络： https://blogcsdnnet/Chile_Wang/article/details/100557010

[2] BP神经网络发展历史： https://zhuanlanzhihucom/p/47998728

[3] 最简单的神经网络--Bp神经网络： https://blogcsdnnet/weixin_40432828/article/details/82192709

[4] 神经网络的基本概念： https://blogcsdnnet/jinyuan7708/article/details/82466653

[5] 神经网络中的 “隐藏层” 理解： https://blogcsdnnet/nanhuaibeian/article/details/100183000

[6] AI学习笔记：神经元与神经网络： https://wwwjianshucom/p/65eb2fce0e9e

[7] 线性模型和非线性模型的区别： https://wwwcnblogscom/toone/p/8574294html

[8] BP神经网络是否优于logistic回归： https://wwwzhihucom/question/27823925/answer/38460833