① BP神經網路怎麼設置輸入層節點數
matlab的？ 輸入層由你輸入的特徵決定的，送入特徵matlab就自動確定輸入層節點數了
② BP神經網路如何設置初始權值
初始權值、閾值的確定是靠經驗的。
一般修改神經網路，不改閾值，改動其中間層神經元、轉移函數、特徵向量等。
③ 神經網路 seed 設置成多少
seed函數是對神經網路里用到的rand函數其作用的吧.設置seed為明確的值，只是不同的人或不同次運行隨機函數是能產生相同的隨機數，觀察到相同的結果。實際運行中，設置成多少應該是無所謂的，這才是隨機數。
④ BP神經網路中,如何設定神經元的初始連接權重以及閥值
初始連接權重關繫到網路訓練速度的快慢以及收斂速率，在基本的神經網路中，這個權重是隨機設定的。在網路訓練的過程中沿著誤差減小的方向不斷進行調整。針對這個權重的隨機性不確定的缺點，有人提出了用遺傳演算法初始化BP的初始權重和閾值的想法，提出了遺傳神經網路模型，並且有人預言下一代的神經網路將會是遺傳神經網路。希望對你有所幫助。你可以查看這方面的文獻
⑤ 神經網路演算法中，參數的設置或者調整，有什麼方法可以採用
若果對你有幫助，請點贊。
神經網路的結構（例如2輸入3隱節點1輸出）建好後，一般就要求神經網路里的權值和閾值。現在一般求解權值和閾值，都是採用梯度下降之類的搜索演算法（梯度下降法、牛頓法、列文伯格-馬跨特法、狗腿法等等），這些演算法會先初始化一個解，在這個解的基礎上，確定一個搜索方向和一個移動步長（各種法算確定方向和步長的方法不同，也就使各種演算法適用於解決不同的問題），使初始解根據這個方向和步長移動後，能使目標函數的輸出（在神經網路中就是預測誤差）下降。 然後將它更新為新的解，再繼續尋找下一步的移動方向的步長，這樣不斷的迭代下去，目標函數（神經網路中的預測誤差）也不斷下降，最終就能找到一個解，使得目標函數（預測誤差）比較小。
而在尋解過程中，步長太大，就會搜索得不仔細，可能跨過了優秀的解，而步長太小，又會使尋解過程進行得太慢。因此，步長設置適當非常重要。
學習率對原步長（在梯度下降法中就是梯度的長度）作調整，如果學習率lr = 0.1,那麼梯度下降法中每次調整的步長就是0.1*梯度，
而在matlab神經網路工具箱里的lr,代表的是初始學習率。因為matlab工具箱為了在尋解不同階段更智能的選擇合適的步長，使用的是可變學習率，它會根據上一次解的調整對目標函數帶來的效果來對學習率作調整，再根據學習率決定步長。
機制如下：
if newE2/E2 > maxE_inc %若果誤差上升大於閾值
lr = lr * lr_dec; %則降低學習率
else
if newE2 < E2 %若果誤差減少
lr = lr * lr_inc;%則增加學習率
end
詳細的可以看《神經網路之家》nnetinfo里的《[重要]寫自己的BP神經網路(traingd)》一文，裡面是matlab神經網路工具箱梯度下降法的簡化代碼
若果對你有幫助，請點贊。
祝學習愉快
⑥ 神經網路的隱層數，節點數設置。
我自己總結的：
1、神經網路演算法隱含層的選取
1.1 構造法
首先運用三種確定隱含層層數的方法得到三個隱含層層數，找到最小值和最大值，然後從最小值開始逐個驗證模型預測誤差，直到達到最大值。最後選取模型誤差最小的那個隱含層層數。該方法適用於雙隱含層網路。
1.2 刪除法
單隱含層網路非線性映射能力較弱，相同問題，為達到預定映射關系，隱層節點要多一些，以增加網路的可調參數，故適合運用刪除法。
1.3黃金分割法
演算法的主要思想：首先在[a,b]內尋找理想的隱含層節點數，這樣就充分保證了網路的逼近能力和泛化能力。為滿足高精度逼近的要求，再按照黃金分割原理拓展搜索區間，即得到區間[b,c]（其中b=0.619*（c-a）+a），在區間[b,c]中搜索最優，則得到逼近能力更強的隱含層節點數，在實際應用根據要求，從中選取其一即可。
⑦ 為什麼VGG神經網路不直接將圖片縮放到224
網上圖片大小是根據版面設計需要排版的。如果你需要固定大小的照片，可以在網上下載下來，再用圖片處理軟體調整即可。
⑧ BP神經網路中為什麼設置閾值
你這是不是用遺傳演算法優化權值和閥值啊？
我不知道你x的哪裡來的？所以也不知道你是如何確定初始權值和閥值。
不過我們平常寫程序時這些值都是隨機賦予的。
⑨ 神經網路gradient怎麼設置
梯度是計算得來的，不是「設置」的。
傳統的神經網路通過前向、後向兩步運算進行訓練。其中最關鍵的就是BP演算法，它是網路訓練的根本方式。在運行BP的過程中，你需要先根據定義好的「代價函數」分別對每一層的參數（一般是W和b）求偏導（也就是你說的gradient），用該偏導數在每一次迭代中更新對應的W和b，直至演算法收斂。
具體實現思路和細節可以參考：http://deeplearning.stanford.e/wiki/index.php/%E5%8F%8D%E5%90%91%E4%BC%A0%E5%AF%BC%E7%AE%97%E6%B3%95