反向传播算法中阈值的用途是什么。我写了一个用于类标签识别的java代码。我对神经元使用了一些随机阈值 (0-1)。我训练了系统并使用一些数据进行了测试。它运行得很好。但是使用或不使用阈值该算法有何不同？
最佳答案
你所谓的“阈值”实际上是由神经元表示的仿射变换的偏差
f(w,x,b) = g(<w,x>+b)
偏差不应该像您建议的那样用作常量，而应该像网络中的任何其他参数一样进行训练。通常，人们只需添加一个始终等于 1 的假设“偏差神经元”，因此偏差就变成了另一个权重
f(w,x,b) = g(<[w b], [x 1]>)
为什么有偏见很重要？一般来说，没有偏见意味着在神经元中训练的“过滤器”(特征检测器)必须经过原点。您可以将每个神经元视为输入空间中的一个超平面，围绕该超平面“折叠”空间，以便您的数据变得更加可分离。如果您没有偏差 - 所有这些超平面都在原点附近。如果将它们固定为常量，则可以固定它们距原点的距离。最后，如果你训练它们 - 算法可以自由地将它们放置在输入空间中(所需的行为)。
关于machine-learning - 反向传播的阈值，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/31227533/