Ⅰ 灞傛媺骞冲规瘆镄勫师锲
1銆佸噺灏戞ā鍨嫔弬鏁帮细鍦ㄦ繁搴︾炵粡缃戠粶涓锛岄殢镌灞傛暟镄勫炲姞锛屾ā鍨嫔弬鏁颁篃浼氩憟鎸囨暟绾у埆澧为暱銆傝繖浼氩艰嚧妯″瀷镟村姞澶嶆潅锛岄毦浠ヤ紭鍖栥傚眰𨰾夊钩鍙浠ュ皢澶氱淮鏁版嵁灞曞紑鎴愪竴缁存暟鎹锛屼粠钥屽噺灏戝弬鏁扮殑鏁伴噺銆
2銆佹彁楂樿＄畻鏁堢巼锛氩眰𨰾夊钩鍙浠ュ皢澶氱淮鏁版嵁闄崭绠鍒颁竴缁达纴浠庤屽噺灏戣＄畻閲忥纴鎻愰珮璁＄畻鏁堢巼銆傝繖瀵逛簬杩愯岃＄畻璧勬簮链夐檺镄勮惧囷纸渚嫔傜Щ锷ㄨ惧囷级𨱒ヨ村挨涓洪吨瑕併
3銆佹洿濂界殑璁缁冩晥鏋滐细灞傛媺骞冲彲浠ユ彁楂樻ā鍨嬬殑绋冲畾镐у拰娉涘寲镐ц兘銆傜敱浜庡噺灏戜简鍙傛暟鏁伴噺锛屾ā鍨嬫洿锷犵亩鍗曪纴镟村规槗浼桦寲鍜岃缁冦
Ⅱ 神经网络算法中，参数的设置或者调整，有什么方法可以采用
若果对你有帮助，请点赞。
神经网络的结构（例如2输入3隐节点1输出）建好后，一般就要求神经网络里的权值和阈值。现在一般求解权值和阈值，都是采用梯度下降之类的搜索算法（梯度下降法、牛顿法、列文伯格-马跨特法、狗腿法等等），这些算法会先初始化一个解，在这个解的基础上，确定一个搜索方向和一个移动步长（各种法算确定方向和步长的方法不同，也就使各种算法适用于解决不同的问题），使初始解根据这个方向和步长移动后，能使目标函数的输出（在神经网络中就是预测误差）下降。 然后将它更新为新的解，再继续寻找下一步的移动方向的步长，这样不断的迭代下去，目标函数（神经网络中的预测误差）也不断下降，最终就能找到一个解，使得目标函数（预测误差）比较小。
而在寻解过程中，步长太大，就会搜索得不仔细，可能跨过了优秀的解，而步长太小，又会使寻解过程进行得太慢。因此，步长设置适当非常重要。
学习率对原步长（在梯度下降法中就是梯度的长度）作调整，如果学习率lr = 0.1,那么梯度下降法中每次调整的步长就是0.1*梯度，
而在matlab神经网络工具箱里的lr,代表的是初始学习率。因为matlab工具箱为了在寻解不同阶段更智能的选择合适的步长，使用的是可变学习率，它会根据上一次解的调整对目标函数带来的效果来对学习率作调整，再根据学习率决定步长。
机制如下：
if newE2/E2 > maxE_inc %若果误差上升大于阈值
lr = lr * lr_dec; %则降低学习率
else
if newE2 < E2 %若果误差减少
lr = lr * lr_inc;%则增加学习率
end
详细的可以看《神经网络之家》nnetinfo里的《[重要]写自己的BP神经网络(traingd)》一文，里面是matlab神经网络工具箱梯度下降法的简化代码
若果对你有帮助，请点赞。
祝学习愉快
Ⅲ 在神经网络中,我们是通过以下哪个方法在训练网络的时候更新参数,从而最小化损
选D反向传播算法。反向传播是深度神经网络的一种反馈机制，确保参数更新使损失函数向下降最快的方向下降。