❶ 一道多层神经网络的计算题，请问该如何计算
BP神经网络，指的是用了“BP算法”进行训练的“多层感知器模型”。 多层感知器（MLP，Multilayer Perceptron）是一种前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上，可以解决任何线性不可分问题。 不要把算法和网络搞混了。
❷ 卷积神经网络中三维卷积核对应的偏置应该是几维的，是一个数还是几维的
卷积神经网络中三维卷积核对应的偏置是1维即可
❸ 神经网络中的偏置值什么意思
就是b值....
wx+b的b
打个比方 有点(1,1) 属于1类 点(2,2)属于2类，请问是否能从原点画一条线把他们分开
不可以，所以需要偏置值b，这样线段就不从(0,0)点出发了
❹ 卷积神经网络LeNet-5结构卷积采样中加偏置Bx的作用是什么
简单的讲吧
h(x)=f(wx+b）
上式子就是神经元所表示的函数，x表示输入，w表示权重，b表示偏置，f表示激活函数，h(x)表示输出。
训练卷积神经网络的过程就是不断调整权重w与偏置b的过程，以使其输出h(x)达到预期值。
权重w与偏置b就相当于神经元的记忆。
至于你说的为什么要偏置b可以看看这个博客http://blog.csdn.net/xwd18280820053/article/details/70681750
从其根本上讲，就是不加偏置b的话，上面的函数就必定经过原点，进行分类的适用范围就少了不是吗
❺ 神经网络处理数据组有1000个维数需要多少输入节点
这需要看你的实际需求了，一般使用二次型就行，这样的话输入节点1000！个，维度这么大我想应该有很大数据是冗余的，可以先用PCA降低下维度1000维度（通道）有点夸张，还是说只是单维度下，有连续1000个输入作为一组样本
❻ 深度学习中的偏置常量是什么意思
深度学习，按个人的理解主要就是多层神经网络。而多层神经网络目前效果比较好的是卷积神经网络，目前在图像和音频信号上效果比较好，而在自然语言处理上效果没有显示出来。深度学习从统计学的角度来说,就是在预测数据的分布，从数据中学得一个模型然后再通过这个模型去预测新的数据，这一点就要求测试数据和训练数据必须是同分布。深度学习，它是在一定的学习量的积累基础之上的质的飞越，就是学习能力的质变和新实现。度学习的前提在于大数据技术的成熟和支撑。同时，深度学习是一种经验的连接和运用。它是人类的经验和智慧在机器中的再生和活化。
❼ 神经网络的数据量多少比较合适
一般来说要1万以上，越多越好，但要保证采集标准统一，且输出为相同的数据不能太多。
❽ 神经网络 单元为什么会有偏置
净输入n=Wp+b，其中b就是偏置值，因为如果没有偏置值的话b=0，n=Wp，那么当输入p=0时，净输入n=0，这和现实有出入，所以引入偏置值b。现实应用中不加入偏置值拟合效果会差。
❾ 神经网络对输入变量个数有没有要求，六十个可以吗
可以，但是网络规模太大，很臃肿，需要调整的参数过多，影响收敛速度。
关于隐层节点数：在BP 网络中，隐层节点数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，但是目前理论上还没有一种科学的和普遍的确定方法。 目前多数文献中提出的确定隐层节点数的计算公式都是针对训练样本任意多的情况，而且多数是针对最不利的情况，一般工程实践中很难满足，不宜采用。事实上，各种计算公式得到的隐层节点数有时相差几倍甚至上百倍。为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。研究表明，隐层节点数不仅与输入/输出层的节点数有关，更与需解决的问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。
在确定隐层节点数时必须满足下列条件：
（1）隐层节点数必须小于N-1（其中N为训练样本数），否则，网络模型的系统误差与训练样本的特性无关而趋于零，即建立的网络模型没有泛化能力，也没有任何实用价值。同理可推得：输入层的节点数（变量数）必须小于N-1。
(2) 训练样本数必须多于网络模型的连接权数，一般为2~10倍，否则，样本必须分成几部分并采用“轮流训练”的方法才可能得到可靠的神经网络模型。
总之，若隐层节点数太少，网络可能根本不能训练或网络性能很差；若隐层节点数太多，虽然可使网络的系统误差减小，但一方面使网络训练时间延长，另一方面，训练容易陷入局部极小点而得不到最优点，也是训练时出现“过拟合”的内在原因。因此，合理隐层节点数应在综合考虑网络结构复杂程度和误差大小的情况下用节点删除法和扩张法确定。