多层网络下的权重矩阵和偏置

多层网络下的权重矩阵和偏置
假设神经网络结构，{9 [80 50 20] 1}，9为输入层，[80 50 20]为隐层，1为输出层。

1、net.iw{1,1} 表示输入层到第1层隐层的权重，为80 × 9 80 \times 980×9的矩阵；
2、net.lw{2,1} 表示第1层隐层到第2层隐层的权重，为50 × 80 50 \times 8050×80的矩阵；
3、net.lw{3,2} 表示第2层隐层到第3层隐层的权重，为20 × 50 20 \times 5020×50的矩阵；
4、net.lw{4,3} 表示第3层隐层到输出层的权重，为1 × 20 1 \times 201×20的矩阵；
5、net.b{1} 表示第1层隐层的偏置（阈值），为80 × 1 80 \times 180×1的矩阵；
6、net.b{2} 表示第2层隐层的偏置，为50 × 1 50 \times 150×1的矩阵；
7、net.b{3} 表示第3层隐层的偏置，为20 × 1 20 \times 120×1的矩阵；
8、net.b{4} 表示输出层的偏置，为1 × 1 1 \times 11×1的矩阵；

可以以此类推。

net.iw{1,1}模式是固定的，仅表示输入层到第1层隐层的权重，之后就是net.lw的事情了。

net.lw{i,j} 表示第j层隐层到第i层隐层的权重。net.b{k} 表示第k层隐层的偏置或者说阈值，结构都为列向量。可以看出，这里假设的隐含层只有3层[80 50 20]，但net中将最后一层输出层也当隐含层用了，所以i和k可以取到4。

知道权重和偏置的位置，可以用算法优化，如遗传算法等。

转载自：
MATLAB中多层网络的net.lw{i,j}和net.b{k}的含义## 多层网络下的权重矩阵和偏置
假设神经网络结构，{9 [80 50 20] 1}，9为输入层，[80 50 20]为隐层，1为输出层。1、net.iw{1,1} 表示输入层到第1层隐层的权重，为80 × 9 80 \times 980×9的矩阵；2、net.lw{2,1} 表示第1层隐层到第2层隐层的权重，为50 × 80 50 \times 8050×80的矩阵；3、net.lw{3,2} 表示第2层隐层到第3层隐层的权重，为20 × 50 20 \times 5020×50的矩阵；4、net.lw{4,3} 表示第3层隐层到输出层的权重，为1 × 20 1 \times 201×20的矩阵；5、net.b{1} 表示第1层隐层的偏置（阈值），为80 × 1 80 \times 180×1的矩阵；6、net.b{2} 表示第2层隐层的偏置，为50 × 1 50 \times 150×1的矩阵；7、net.b{3} 表示第3层隐层的偏置，为20 × 1 20 \times 120×1的矩阵；8、net.b{4} 表示输出层的偏置，为1 × 1 1 \times 11×1的矩阵；可以以此类推。net.iw{1,1}模式是固定的，仅表示输入层到第1层隐层的权重，之后就是net.lw的事情了。net.lw{i,j} 表示第j层隐层到第i层隐层的权重。net.b{k} 表示第k层隐层的偏置或者说阈值，结构都为列向量。可以看出，这里假设的隐含层只有3层[80 50 20]，但net中将最后一层输出层也当隐含层用了，所以i和k可以取到4。知道权重和偏置的位置，可以用算法优化，如遗传算法等。转载自：MATLAB中多层网络的net.lw{i,j}和net.b{k}