神经网络怎么设置上色

1. 新手，神经网络的问题，求大神们解答啊

我觉得 就 BP 神经网络就很好好 ，你 分为31 类， 输出层31， 一般隐层 2-4 层就可以了，你的第一层 没必要弄那么多神经元吧，第二层也是，没必要那么多，你开始可以【5,5,31】，在设置 一定的迭代次数，和误差，看看训练结果 好不 ，不好的话在适当增加第1 .2 层的 神经元个数 比如改为【10,5 ，31】。。BP神经网络传递函数 一般包括：logsig(n) tansig(n) purelin(n)
这3 种 ，他们的取值范围 分别为【0,1】 【-1,1】 【整个平面都可以取】 所以输出层的传递函数 要依据你的输出选函数，BP 的 训练函数就比较多了，这个网络里面都有 ；隐层常采用tansig
函数进行中间结果传递，

2. MATLAB中用（BP神经网络）工具箱直接画出的图怎么去颜色

随便吧。你怎么加的颜色，就怎么去。

3. 如何训练神经网络

1、先别着急写代码

训练神经网络前，别管代码，先从预处理数据集开始。我们先花几个小时的时间，了解数据的分布并找出其中的规律。

Andrej有一次在整理数据时发现了重复的样本，还有一次发现了图像和标签中的错误。所以先看一眼数据能避免我们走很多弯路。

由于神经网络实际上是数据集的压缩版本，因此您将能够查看网络（错误）预测并了解它们的来源。如果你的网络给你的预测看起来与你在数据中看到的内容不一致，那么就会有所收获。

一旦从数据中发现规律，可以编写一些代码对他们进行搜索、过滤、排序。把数据可视化能帮助我们发现异常值，而异常值总能揭示数据的质量或预处理中的一些错误。

2、设置端到端的训练评估框架

处理完数据集，接下来就能开始训练模型了吗？并不能！下一步是建立一个完整的训练+评估框架。

在这个阶段，我们选择一个简单又不至于搞砸的模型，比如线性分类器、CNN，可视化损失。获得准确度等衡量模型的标准，用模型进行预测。

这个阶段的技巧有：

· 固定随机种子

使用固定的随机种子，来保证运行代码两次都获得相同的结果，消除差异因素。

· 简单化

在此阶段不要有任何幻想，不要扩增数据。扩增数据后面会用到，但是在这里不要使用，现在引入只会导致错误。

· 在评估中添加有效数字

在绘制测试集损失时，对整个测试集进行评估，不要只绘制批次测试损失图像，然后用Tensorboard对它们进行平滑处理。

· 在初始阶段验证损失函数

验证函数是否从正确的损失值开始。例如，如果正确初始化最后一层，则应在softmax初始化时测量-log(1/n_classes)。

· 初始化

正确初始化最后一层的权重。如果回归一些平均值为50的值，则将最终偏差初始化为50。如果有一个比例为1:10的不平衡数据集，请设置对数的偏差，使网络预测概率在初始化时为0.1。正确设置这些可以加速模型的收敛。

· 人类基线

监控除人为可解释和可检查的损失之外的指标。尽可能评估人的准确性并与之进行比较。或者对测试数据进行两次注释，并且对于每个示例，将一个注释视为预测，将第二个注释视为事实。

· 设置一个独立于输入的基线

最简单的方法是将所有输入设置为零，看看模型是否学会从输入中提取任何信息。

· 过拟合一个batch

增加了模型的容量并验证我们可以达到的最低损失。

· 验证减少训练损失

尝试稍微增加数据容量。

4. 现在人工智能发展到什么程度了

人工智能发展过去、现在和未来的总览。一起了解谷歌技术总监、人工智能专家Kurzweil、机器学习专家Jeremy Howard和Wait But Why博客Tim Urban等人的观点，我们在人工智能的发展路线图中处于什么阶段？什么时候会出现像人类一样厉害的人工智能，还有超过人类智能总和的超人工智能？

我们所说的人工智能（AI），是一个广义定义。虽然众说纷纭，大部分专家认为，人工智能发展有三个水准：

超人工智能（ASI）

第三类智能水准：超过所有人类智能总和的AI——用Tim Urban的话说，“从比人聪明一点点……到聪明一千万倍。”

那我们现在在哪个阶段呢？我们现在达到了第一个水准——弱人工智能——在很多方面，它已经进入了我们的生活中：

l 汽车里到处都是ANI，从可以在紧急情况下刹车的电脑，到可以调配汽车加油参数的系统。

l 谷歌搜索是一个很大的ANI，有很多非常复杂的方法将网页排序，知道给你显示什么。同样的，Facebook Newsfeed也是

l 电子邮件垃圾邮箱过滤器，知道什么是垃圾邮件、什么不是，并且学会按照你的偏好来过滤邮件。

l 你的电话就是一个小型ANI工厂……你用地图APP导航，收到定制化的音乐推荐，和Siri聊天等等。

例子不胜枚举。弱人工智能系统不怎么惊悚。失控的ANI会带来危害，但通常是独立事件。虽然ANI不会造成人类的生存性恐慌，相对人畜无害ANI应被视为一个先兆。每一次弱人工智能的创新进步，都在往强人工智能和超人工智能更近一步

5. ps处理的照片2017版与2021版区别

安装了2021ps最新的版本尝鲜。在此之前必须首先警告：系统不是win10版本的，没有独立显卡的，显卡要高于1066的。内存要大于16MB的。总之这新的版本要求很高！

调试之简单，简直是傻瓜操作！更有抠图，填色等等神奇功能~和暂时待更新的功能。
贴心的Adobe还在顶端给我们预置了蓝天、日落、壮观三大类的天空图片。想要替换那一种风格的，只需要直接在预设里点击即可，与此同时，还能微调图片的明暗度和色温，以提高图片的融合度。

除了原先的预设之外，在其操作面板内，你还可以添加自己以前收集的“天空素材”，以适应各种需求。

新功能二：各种智能的AI滤镜

这个功能和我们平常用美图秀秀里的“人像美容”相类似，但其会更加强大一些。暂时，除了基本的“美白”，“磨皮”之外，新版的PS还支持表情的修改、年龄的修改、光线的方向等细节操作。使用方法和PS原先的操作方法一样，只需拖拽按钮，来回调节参数的大小即可。
新功能三：黑白老照片的上色

给照片“上色”，想必很多从事设计和摄影的同行们，都尝试过黑白的老照片上色吧，这次，PS2021则直接将其加入到了神经网络的“AI滤镜”中，且点击侧边的按钮就可以进行切换。

相对以往的手动上色而言，这个上色过程则很简单，当你将照片调入到这个页面之后，你会发现，其实上色的操作基本上已经完成了，剩下需要做的，就是针对照片的颜色，做一下微调。

6. 神经网络的隐层数，节点数设置。

我自己总结的：
1、神经网络算法隐含层的选取
1.1 构造法
首先运用三种确定隐含层层数的方法得到三个隐含层层数，找到最小值和最大值，然后从最小值开始逐个验证模型预测误差，直到达到最大值。最后选取模型误差最小的那个隐含层层数。该方法适用于双隐含层网络。
1.2 删除法
单隐含层网络非线性映射能力较弱，相同问题，为达到预定映射关系，隐层节点要多一些，以增加网络的可调参数，故适合运用删除法。
1.3黄金分割法
算法的主要思想：首先在[a,b]内寻找理想的隐含层节点数，这样就充分保证了网络的逼近能力和泛化能力。为满足高精度逼近的要求，再按照黄金分割原理拓展搜索区间，即得到区间[b,c]（其中b=0.619*（c-a）+a），在区间[b,c]中搜索最优，则得到逼近能力更强的隐含层节点数，在实际应用根据要求，从中选取其一即可。

7. 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

8. 神经网络 seed 设置成多少

seed函数是对神经网络里用到的rand函数其作用的吧.设置seed为明确的值，只是不同的人或不同次运行随机函数是能产生相同的随机数，观察到相同的结果。实际运行中，设置成多少应该是无所谓的，这才是随机数。

9. 深度学习中的神经网络参数怎么调整

根据前一次运行的情况做调整，例如出现梯度爆炸则要调低学习速率，出现过拟合则要调高正则化参数的系数。

10. 神经网络gradient怎么设置

梯度是计算得来的，不是“设置”的。

传统的神经网络通过前向、后向两步运算进行训练。其中最关键的就是BP算法，它是网络训练的根本方式。在运行BP的过程中，你需要先根据定义好的“代价函数”分别对每一层的参数（一般是W和b）求偏导（也就是你说的gradient），用该偏导数在每一次迭代中更新对应的W和b，直至算法收敛。

具体实现思路和细节可以参考：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