1. epoch在神经网络里是什么意思
1、Iteration：使用一个batch_size数量的样本训练一次。一个Iteration，参数更新一次。Epoch：所有的样本都训练一次，即（total/batch_size）个Iteration的训练。
2、神经网络中epoch与iteration是不相等的batchsize：中文翻译为批大小（批尺寸）。
3、训练整个数据集的次数。当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一次epoch。
1、你这段代码是GA-BP神经网络最后的染色体解码阶段的代码，注意染色体编码结构为：输入层与隐层间权值矩阵、隐层阈值、隐层与输出层间权值矩阵、输出层阈值。
2、根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。
3、在BP神经网络中，阈值也是一个变化值。权值是层与层神经元之间的，阈值是神经元内的。同权值类似，都需要设定初始值。通过训练网络，对权重和阈值进行修正都，最终达到局部最优。
4、不是说把W改成B就可以，而是在调节权值的时候就会不断更新阈值（阀值是错别字）因此阈值只会出现1。预设2。
5、实际输出值与期望值之间的误差可以导致新一轮的权值修正。正向传播与反向传播过程循环往复，直到网络收敛，得到网络收敛后的互联权值和阈值。
6、一般在编程时，设置一个矩阵为bounds=ones(S，1)*[-1，1]；%权值上下界。在MATLAB中，可以直接使用net=init(net)；来初始化。
横坐标：训练结束时的epochs数【神经网络一次前向传播+一次反向传播=一个epoch】纵坐标：均方误差从图中可以得到：在epochs=5时，验证集valiadation和测试集test达到最小均方误差。
x=rand(2，2001)；生成两行2001列的服从均匀分布的随机数。（共4002个）默认是从0到可以通过20*x+10的方法（楼主的代码也可以）变换到从-10到10的随机数。
矩阵pr为矩阵p的归一化goal矩阵为pr矩阵对应的输出矩阵net是建立的BP网络y是矩阵x对应的输出p1和p2不能单独来看，它俩合并后才是输入。
1、epoch：英[i：pk]美[epk]n。时期；纪元；世；新时代复数：epochs。
2、talent、genius、gift、faculty、aptitude这组词都可表示、“天赋”“才能”“天资”、“天分”等意思。
3、作名词含“时期、时代”之意。epoch正式用词，侧重指以某重大事件或巨大变化为起点的新的历史时期。.冰河时期指的是最近的一个冰川时期。
4、含义：n.时期；时代；新纪元；划时代的大事；地质世。用法名词含“时期、时代”之意。epoch正式用词，侧重指以某重大事件或巨大变化为起点的新的历史时期。
5、神经网络的训练中我们常常能遇到Epoch和Iteration这两个不同的词。两个词都表示“轮次”的意思，显然这两个“轮次”的含义并不相同。
神经网络中epoch与iteration是不相等的1）batchsize：中文翻译为批大小（批尺寸）。
每个epoch都会进行shuffle，对要输入的数据进行重新排序，分成不同的batch。Iteration（迭代）：理解迭代，只需要知道乘法表或者一个计算器就可以了。迭代是batch需要完成一个epoch的次数。
BatchSize：一次训练所选取的样本数。Iteration：使用一个batch_size数量的样本训练一次。一个Iteration，参数更新一次。Epoch：所有的样本都训练一次，即（total/batch_size）个Iteration的训练。
通过并行化提高内存利用率。单次epoch的迭代次数减少，提高运行速度。（单次epoch=(全部训练样本/batchsize)/iteration=1）适当的增加Batch_Size，梯度下降方向准确度增加，训练震动的幅度减小。
2. 从复数到图卷积（三）图谱理论与图小波变换
在深入探讨图卷积神经网络(GCN)之前，我们先来看看关键的理论基础——谱图理论。由Fan R. K. Chung所着的《Spectral Graph Theory》在1992年首次出版，并在1997年更新，是研究图的三大经典书籍之一。这本书主要关注图的特征值问题，如等周长、直径和随机游走，对于实际应用中的模型识别和预测，我们主要依赖其基础定义，第一章是入门之选。
图谱理论的核心概念是特征值，它涉及到一些特性、公理，尽管后续章节有深入探讨，但在初期应用中，我们主要关注特征值的定义和基本应用。至于图小波变换，它是通过谱图理论构建的，特别是在论文"Wavelets on graphs via spectral graph theory"中，作者详细介绍了传统小波变换在图上的应用，包括谱图小波变换、多项式近似和快速计算方法。
在实际计算中，当图规模庞大时，需要通过多项式近似来优化图小波变换的效率，如使用雷米兹算法和切比雪夫不等式。例如，在处理swiss-roll数据的小波变换中，通过调整scale参数，可以模拟信息传播或病毒扩散，并为后续的信息分类提供基础。然而，具体的效果取决于实际场景和实验调整，每个应用场景可能需要不同的参数优化。