1. epoch在神經網路里是什麼意思
1、Iteration：使用一個batch_size數量的樣本訓練一次。一個Iteration，參數更新一次。Epoch：所有的樣本都訓練一次，即（total/batch_size）個Iteration的訓練。
2、神經網路中epoch與iteration是不相等的batchsize：中文翻譯為批大小（批尺寸）。
3、訓練整個數據集的次數。當一個完整的數據集通過了神經網路一次並且返回了一次，這個過程稱為一次epoch。
1、你這段代碼是GA-BP神經網路最後的染色體解碼階段的代碼，注意染色體編碼結構為：輸入層與隱層間權值矩陣、隱層閾值、隱層與輸出層間權值矩陣、輸出層閾值。
2、根據誤差梯度下降法來調節各層的權值和閾值，使修改後的網路的最終輸出能接近期望值。
3、在BP神經網路中，閾值也是一個變化值。權值是層與層神經元之間的，閾值是神經元內的。同權值類似，都需要設定初始值。通過訓練網路，對權重和閾值進行修正都，最終達到局部最優。
4、不是說把W改成B就可以，而是在調節權值的時候就會不斷更新閾值（閥值是錯別字）因此閾值只會出現1。預設2。
5、實際輸出值與期望值之間的誤差可以導致新一輪的權值修正。正向傳播與反向傳播過程循環往復，直到網路收斂，得到網路收斂後的互聯權值和閾值。
6、一般在編程時，設置一個矩陣為bounds=ones(S，1)*[-1，1]；%權值上下界。在MATLAB中，可以直接使用net=init(net)；來初始化。
橫坐標：訓練結束時的epochs數【神經網路一次前向傳播+一次反向傳播=一個epoch】縱坐標：均方誤差從圖中可以得到：在epochs=5時，驗證集valiadation和測試集test達到最小均方誤差。
x=rand(2，2001)；生成兩行2001列的服從均勻分布的隨機數。（共4002個）默認是從0到可以通過20*x+10的方法（樓主的代碼也可以）變換到從-10到10的隨機數。
矩陣pr為矩陣p的歸一化goal矩陣為pr矩陣對應的輸出矩陣net是建立的BP網路y是矩陣x對應的輸出p1和p2不能單獨來看，它倆合並後才是輸入。
1、epoch：英[i：pk]美[epk]n。時期；紀元；世；新時代復數：epochs。
2、talent、genius、gift、faculty、aptitude這組詞都可表示、「天賦」「才能」「天資」、「天分」等意思。
3、作名詞含「時期、時代」之意。epoch正式用詞，側重指以某重大事件或巨大變化為起點的新的歷史時期。.冰河時期指的是最近的一個冰川時期。
4、含義：n.時期；時代；新紀元；劃時代的大事；地質世。用法名詞含「時期、時代」之意。epoch正式用詞，側重指以某重大事件或巨大變化為起點的新的歷史時期。
5、神經網路的訓練中我們常常能遇到Epoch和Iteration這兩個不同的詞。兩個詞都表示「輪次」的意思，顯然這兩個「輪次」的含義並不相同。
神經網路中epoch與iteration是不相等的1）batchsize：中文翻譯為批大小（批尺寸）。
每個epoch都會進行shuffle，對要輸入的數據進行重新排序，分成不同的batch。Iteration（迭代）：理解迭代，只需要知道乘法表或者一個計算器就可以了。迭代是batch需要完成一個epoch的次數。
BatchSize：一次訓練所選取的樣本數。Iteration：使用一個batch_size數量的樣本訓練一次。一個Iteration，參數更新一次。Epoch：所有的樣本都訓練一次，即（total/batch_size）個Iteration的訓練。
通過並行化提高內存利用率。單次epoch的迭代次數減少，提高運行速度。（單次epoch=(全部訓練樣本/batchsize)/iteration=1）適當的增加Batch_Size，梯度下降方向准確度增加，訓練震動的幅度減小。
2. 從復數到圖卷積（三）圖譜理論與圖小波變換
在深入探討圖卷積神經網路(GCN)之前，我們先來看看關鍵的理論基礎——譜圖理論。由Fan R. K. Chung所著的《Spectral Graph Theory》在1992年首次出版，並在1997年更新，是研究圖的三大經典書籍之一。這本書主要關注圖的特徵值問題，如等周長、直徑和隨機遊走，對於實際應用中的模型識別和預測，我們主要依賴其基礎定義，第一章是入門之選。
圖譜理論的核心概念是特徵值，它涉及到一些特性、公理，盡管後續章節有深入探討，但在初期應用中，我們主要關注特徵值的定義和基本應用。至於圖小波變換，它是通過譜圖理論構建的，特別是在論文"Wavelets on graphs via spectral graph theory"中，作者詳細介紹了傳統小波變換在圖上的應用，包括譜圖小波變換、多項式近似和快速計算方法。
在實際計算中，當圖規模龐大時，需要通過多項式近似來優化圖小波變換的效率，如使用雷米茲演算法和切比雪夫不等式。例如，在處理swiss-roll數據的小波變換中，通過調整scale參數，可以模擬信息傳播或病毒擴散，並為後續的信息分類提供基礎。然而，具體的效果取決於實際場景和實驗調整，每個應用場景可能需要不同的參數優化。