模型訓(xùn)練多次后，最終得到的某層權(quán)重矩陣W之間有什么相似或者相關(guān)的特性嗎？在深度學(xué)習(xí)中，我們通常使用足夠小的隨機數(shù)來初始化層間連接的權(quán)重，如均勻分布或正態(tài)分布，而神經(jīng)元的偏差值通常為零。由于訓(xùn)練的隨機性

模型訓(xùn)練多次后，最終得到的某層權(quán)重矩陣W之間有什么相似或者相關(guān)的特性嗎？

在深度學(xué)習(xí)中，我們通常使用足夠小的隨機數(shù)來初始化層間連接的權(quán)重，如均勻分布或正態(tài)分布，而神經(jīng)元的偏差值通常為零。由于訓(xùn)練的隨機性，每次訓(xùn)練的結(jié)果是不同的。例如，神經(jīng)網(wǎng)絡(luò)的參數(shù)平面與多峰多谷的丘陵地區(qū)非常相似。每個初始化過程都是隨機落在某個峰值上，學(xué)習(xí)的結(jié)果是沿著山坡到達相應(yīng)的谷底。由于山坡的數(shù)量很大，落在同一山坡上的概率基本為零，因此每次都會到達不同的谷底。這是相同的原因，每次訓(xùn)練將獲得不同的連接權(quán)重。

神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值為什么都歸一化0到1之間呢或是？

不一定，也可以在[-1，1]之間設(shè)置。事實上，我們必須有一個負權(quán)重，否則我們只能激活神經(jīng)元而不能抑制它們。至于為什么[-1,1]就足夠了，這是因為sigmoid函數(shù)的歸一化和輸出間隔的限制。通常，編程時，將矩陣設(shè)置為bounds=one（s，1）*[-1，1]%。

在MATLAB中，可以使用net=init（net）直接初始化。我們可以設(shè)置網(wǎng)絡(luò)參數(shù)網(wǎng)絡(luò)初始化FCN以及網(wǎng)絡(luò)層{i} 是的。初始化給定的網(wǎng)絡(luò)。網(wǎng)絡(luò)初始化FCN用于確定整個網(wǎng)絡(luò)的初始化函數(shù)。前饋網(wǎng)絡(luò)的默認值是initlay，它允許每一層使用一個單獨的初始化函數(shù)。一切就緒網(wǎng)絡(luò)初始化FCN，然后是參數(shù)網(wǎng)絡(luò)層{i} 是的。還應(yīng)設(shè)置initfcn以確定每個層的初始化函數(shù)。對于前饋網(wǎng)絡(luò)，通常使用兩種不同的初始化方法：initwb和initnw。initwb函數(shù)基于每個層的初始化參數(shù)（凈輸入重量Initfcn）初始化權(quán)重矩陣和偏差。前饋網(wǎng)絡(luò)的初始權(quán)值通常設(shè)置為Rands，使得權(quán)值隨機介于-1和1之間。當傳遞函數(shù)為線性時，通常使用這種方法。Initnw通常用于轉(zhuǎn)換函數(shù)，即曲線函數(shù)。根據(jù)Nguyen和Widrow[ngwi90]，它為每一層生成初始權(quán)值和偏差值，這樣每一層神經(jīng)元的活動區(qū)域在輸入空間中可以大致平坦地分布。

gwr模型要設(shè)置空間權(quán)重矩陣嗎？

地理加權(quán)回歸（GWR）是一種空間分析技術(shù)，在地理及涉及空間數(shù)據(jù)處理的相關(guān)學(xué)科中得到越來越多的應(yīng)用。

通過在空間范圍內(nèi)的每個點建立局部回歸方程，GWR在探索變量之間的空間關(guān)系和預(yù)測未來結(jié)果方面具有明顯的優(yōu)勢