神经网络隐藏层在哪里

‘壹’ 如何获取matlab神经网络隐藏层的输出

我这里给出一些思路给你，但是我不能保证一定行得通，因为我没用过net=feedforwardnet;
这个函数，我一般都调用newff的。
首先，你要找到神经网络的表达式，你可以照《神经网络之家》中《提取神经网络数学表达式》这个文章（网络不让发连接），找到它的数学表达式。
然后按照《提取神经网络数学表达式》里描述的，把每个 w 和b 对应起来，那就是最终的表达式了（这里建议你直接看原文，因为要贴图什么的，不方便，也不详细）。

下面要注意的两个可能会让你出错的原因。
（1）你得保证，数据没有做归一化， 2011a是需要用mapminmax自己做归一化的，但高些版本的matlab神经网络工具箱，即使你不用mapminmax,它也会在网络中自动帮你做归一化的。若果你用的版本较高，那你要注意是否被归一化了。若果被归一化了，那数据进入之前也要做归一化。
（2）需要注意一点，《提取神经网络数学表达式》用的是newff，你用的是feedforwardnet，我不确定它们的传递函数是不是一样，可以要通过struct(net)把训练好的net转为结构体，再到结构体里准确确定它是不是tansgi-purelin这种结构。好了，假设它是这种结构，那就跟newff是一样的。那就没问题了。
另外struct(net)后你也可以看到它有没有做归一化的，仔细研究研究下struct(net)后的net的参数，你会发现更多好玩的东西。
纯手打的，希望能点个赞。

‘贰’ 神经网络中输入层到隐藏层的W是怎么来的

W是权重。开始的初始化权重是随机产生的，之后的权重是在训练中自动更新的。训练更新的权重一般而言是看不到的，但也可以通过可视化权重的方式实现中间变量的观察，不过这些权重有什么含义目前并不十分清楚。

神经网络是模拟动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。从x到h到y可以近似看作动物神经，权重则可以看作是神经的粗细程度，或者说是两细胞之间联结的紧密程度。神经网络通过调整内部大量的权重来实现调整内部节点之间相互连接的关系，从而达到模拟动物神经网络来处理信息的目的。

‘叁’ matlab建立bp神经网络如何设置两个隐含层呢

题主那个newff里面的10看到没？那个就是设置1个隐含层的神经元个数，要多个隐含层就把10改成[4,10,1]就是第一个隐含层有4个神经元，第二个隐含层10个神经元，最后一层输出层1个神经元。然后你的{TF1 TF2}不用改。这样应该能用了。

然后给你一个newff的各项参数使用的介绍：

‘肆’ 关于循环神经网络RNN,隐藏层是怎么来的

RNN的隐藏层也可以叫循环核，简单来说循环核循环的次数叫时间步，循环核的个数就是隐藏层层数。

循环核可以有两个输入（来自样本的输入x、来自上一时间步的激活值a）和两个输出（输出至下一层的激活值h、输出至本循环核下一时间步的激活值a），输入和输出的形式有很多变化，题主想了解可以上B站搜索“吴恩达 深度学习”其中第五课是专门对RNN及其拓展进行的讲解，通俗易懂。

B站链接：网页链接

‘伍’ 求教pytorch，深度神经网络中这段代码的隐藏层是那段代码

这个线性回归程序没有隐藏层是一个单层神经网络,隐藏层是在多层感知机中引入的,

并且一般要在隐藏层中使用ReLU函数作为激活函数,否则,虽然引入隐藏层,仍然等价于一个单层神经网络.

下面是一种激活函数ReLU(见图),它只保留正数元素,负数元素清零.

‘陆’ 神经网络的隐层数，节点数设置。

我自己总结的：
1、神经网络算法隐含层的选取
1.1 构造法
首先运用三种确定隐含层层数的方法得到三个隐含层层数，找到最小值和最大值，然后从最小值开始逐个验证模型预测误差，直到达到最大值。最后选取模型误差最小的那个隐含层层数。该方法适用于双隐含层网络。
1.2 删除法
单隐含层网络非线性映射能力较弱，相同问题，为达到预定映射关系，隐层节点要多一些，以增加网络的可调参数，故适合运用删除法。
1.3黄金分割法
算法的主要思想：首先在[a,b]内寻找理想的隐含层节点数，这样就充分保证了网络的逼近能力和泛化能力。为满足高精度逼近的要求，再按照黄金分割原理拓展搜索区间，即得到区间[b,c]（其中b=0.619*（c-a）+a），在区间[b,c]中搜索最优，则得到逼近能力更强的隐含层节点数，在实际应用根据要求，从中选取其一即可。

‘柒’ 神经网络的隐含层节点数怎么设置啊比如要设置18层隐含节点数！跪求，工作急用！

隐层一般是一层或两层，很少会采用三层以上，至少隐层的节点数确定，一般有以下几种方法：1、有经验的人员根据以往的经验凑试出节点个数。2、某些学术研究出固定的求节点方法，如2m+1个隐层节点，m为输入个数。3、修剪法。刚开始建立足够多的节点数，在训练过程中，根据节点数的相关程度，删除重复的节点。

‘捌’ matlab BP神经网络出错 newff参数 隐含层 怎么确定

设[P,T]是训练样本，[X,Y]是测试样本；
net=newrb(P,T,err_goal,spread); %建立网络
q=sim(net,p);
e=q-T;
plot(p,q); %画训练误差曲线
q=sim(net,X);
e=q-Y;
plot(X,q); %画测试误差曲线
训练前馈网络的第一步是建立网络对象。函数newff建立一个可训练的前馈网络。这需要4个输入参数。
第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值。
第二个参数是一个设定每层神经元个数的数组。
第三个参数是包含每层用到的传递函数名称的细胞数组。
最后一个参数是用到的训练函数的名称。
举个例子，下面命令将创建一个二层网络。它的输入是两个元素的向量，第一层有三个神经元(3)，第二层有一个神经元(1)。
第一层的传递函数是tan-sigmoid，输出层的传递函数是linear。
输入向量的第一个元素的范围是-1到2[-1 2]，输入向量的第二个元素的范围是0到5[0 5]，训练函数是traingd。
net=newff([-1 2; 0 5],[3,1],{'tansig','purelin'},'traingd');
这个命令建立了网络对象并且初始化了网络权重和偏置，因此网络就可以进行训练了。
我们可能要多次重新初始化权重或者进行自定义的初始化。
下面就是初始化的详细步骤。
在训练前馈网络之前，权重和偏置必须被初始化。初始化权重和偏置的工作用命令init来实现。这个函数接收网络对象并初始化权重和偏置后返回网络对象。
下面就是网络如何初始化的：
net = init(net);
我们可以通过设定网络参数net.initFcn和net.layer{i}.initFcn这一技巧来初始化一个给定的网络。
net.initFcn用来决定整个网络的初始化函数。前馈网络的缺省值为initlay，它允许每一层用单独的初始化函数。
设定了net.initFcn ，那么参数net.layer{i}.initFcn 也要设定用来决定每一层的初始化函数。
对前馈网络来说，有两种不同的初始化方式经常被用到：initwb和initnw。initwb函数根据每一层自己的初始化参数(net.inputWeights{i,j}.initFcn)初始化权重矩阵和偏置。前馈网络的初始化权重通常设为rands，它使权重在-1到1之间随机取值。这种方式经常用在转换函数是线性函数时。initnw通常用于转换函数是曲线函数。它根据Nguyen和Widrow[NgWi90]为层产生初始权重和偏置值，使得每层神经元的活动区域能大致平坦的分布在输入空间。

‘玖’ 神经网络可以没有隐含层吗

神经网络可以没有隐含层，而没有隐含层的神经网络模型，实际上就是一个线性或非线性回归模型。

‘拾’ 神经网络隐藏层是什么

一个神经网络包括有多个神经元“层”，输入层、隐藏层及输出层。输入层负责接收输入及分发到隐藏层（因为用户看不见这些层，所以见做隐藏层）。这些隐藏层负责所需的计算及输出结果给输出层，而用户则可以看到最终结果。