神经网络设计用MATLAB设计BP神经网络时，inputbias=net.b{2}和 inputbias=net.b{1}对结果有什么影响？二者有什么区别？

如何用Tensorflow 快速搭建神经网络

在MNIST数据集上，搭建一个简单神经网络结构，一个包含ReLU单元的非线性化处理的两层神经网络。

在训练神经网络的时候，使用带指数衰减的学习率设置、使用正则化来避免过拟合、使用滑动平均模型来使得最终的模型更加健壮。

程序将计算神经网络前向传播的部分单独定义一个函数inference，训练部分定义一个train函数，再定义一个主函数main。

二、分析与改进设计 1. 程序分析改进 第一，计算前向传播的函数inference中需要将所有的变量以参数的形式传入函数，当神经网络结构变得更加复杂、参数更多的时候，程序的可读性将变得非常差。

第二，在程序退出时，训练好的模型就无法再利用，且大型神经网络的训练时间都比较长，在训练过程中需要每隔一段时间保存一次模型训练的中间结果，这样如果在训练过程中程序死机，死机前的最新的模型参数仍能保留，杜绝了时间和资源的浪费。

第三，将训练和测试分成两个独立的程序，将训练和测试都会用到的前向传播的过程抽象成单独的库函数。

这样就保证了在训练和预测两个过程中所调用的前向传播计7a686964616fe78988e69d8331333363386166算程序是一致的。

2. 改进后程序设计 mnist_inference.py 该文件中定义了神经网络的前向传播过程，其中的多次用到的weights定义过程又单独定义成函数。

通过tf.get_variable函数来获取变量，在神经网络训练时创建这些变量，在测试时会通过保存的模型加载这些变量的取值，而且可以在变量加载时将滑动平均值重命名。

所以可以直接通过同样的名字在训练时使用变量自身，在测试时使用变量的滑动平均值。

mnist_train.py 该程序给出了神经网络的完整训练过程。

mnist_eval.py 在滑动平均模型上做测试。

通过tf.train.get_checkpoint_state(mnist_train.MODEL_SAVE_PATH)获取最新模型的文件名，实际是获取checkpoint文件的所有内容。

BP神经网络的Matlab编程

#include<stdio.h> #include<conio.h> #define RUN 1 void swap(int *a, int *b) { int temp; temp = *a; *a = *b; *b = temp; } void change(int *p) { int i; int j; int *pmax = p, *pmin = p; for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { if (*pmax < *(p + 5*i + j)) { pmax = (p + 5*i + j); } if (*pmin > *(p + 5*i + j)) { pmin = (p + 5*i + j); } } } swap(pmin, p); swap(pmax, (p + 12)); #if RUN printf("%d %d ", *p, *(p + 12)); #endif pmin = (p + 1); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { if (*pmin > *(p + 5*i + j) && (i != 0 || j != 0)) { pmin = (p + 5*i + j); } } } swap(pmin, (p + 4)); #if RUN printf("%d ", *(p + 4)); #endif pmin = (p + 1); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { if (*pmin > *(p + 5*i + j) && (i != 0 || j != 0) && (i != 0 || j != 4)) { pmin = (p + 5*i +j); } } } swap(pmin, (p + 5*4)); #if RUN printf("%d ", *(p + 20)); #endif pmin = (p + 1); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { if (*pmin > *(p + 5*i + j) && (i != 0 || j != 0) && (i != 4 || j != 0) && (i != 0 || j != 4)) { pmin = (p + 5*i + j); } } } swap(pmin, (p + 4*5 + 4)); #if RUN printf("%d ", *(p + 24)); #endif } main() { int a[5][5]; int *p1 = &a[0][0]; int i, j; printf("input the numbers: "); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { scanf("%d", &a[i][j]); } } change(p1); printf("the new is: "); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { printf("%d ", *(p1 + 5*i + j)); } printf(" "); } getch(); }

BP神经网络的Matlab编程

#include<stdio.h> #include<conio.h> #define RUN 1 void swap(int *a, int *b) { int temp; temp = *a; *a = *b; *b = temp; } void change(int *p) { int i; int j; int *pmax = p, *pmin = p; for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { if (*pmax < *(p + 5*i + j)) { pmax = (p + 5*i + j); } if (*pmin > *(p + 5*i + j)) { pmin = (p + 5*i + j); } } } swap(pmin, p); swap(pmax, (p + 12)); #if RUN printf("%d %d ", *p, *(p + 12)); #endif pmin = (p + 1); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { if (*pmin > *(p + 5*i + j) && (i != 0 || j != 0)) { pmin = (p + 5*i + j); } } } swap(pmin, (p + 4)); #if RUN printf("%d ", *(p + 4)); #endif pmin = (p + 1); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { if (*pmin > *(p + 5*i + j) && (i != 0 || j != 0) && (i != 0 || j != 4)) { pmin = (p + 5*i +j); } } } swap(pmin, (p + 5*4)); #if RUN printf("%d ", *(p + 20)); #endif pmin = (p + 1); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { if (*pmin > *(p + 5*i + j) && (i != 0 || j != 0) && (i != 4 || j != 0) && (i != 0 || j != 4)) { pmin = (p + 5*i + j); } } } swap(pmin, (p + 4*5 + 4)); #if RUN printf("%d ", *(p + 24)); #endif } main() { int a[5][5]; int *p1 = &a[0][0]; int i, j; printf("input the numbers: "); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { scanf("%d", &a[i][j]); } } change(p1); printf("the new is: "); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { printf("%d ", *(p1 + 5*i + j)); } printf(" "); } getch(); }

用MATLAB设计BP神经网络时，inputbias=net.b{2}和 inputbias=net.b{1}对结果有什么影响？二者有什么区别？

net.b是BP神经网络的阈值，你取1和2应该是输入层阈值与输出层阈值，我想你的输出结果是1维变量，所以2是1一个数，取1与输入层变量数应该相同的，更详细的建立你借本书看下阈值方面的。

祝好运