matlab工具箱如何设置自己的BP神经网络初始权重

原创文章，转载请说明来自《老饼讲解-BP神经网络》:bp.bbbdata.com

关于《老饼讲解-BP神经网络》：

本网结构化讲解神经网络的知识，原理和代码。

重现matlab神经网络工具箱的算法，是学习神经网络的好助手。 

---

目录

    01.问题   

    02. 思路   

     03. Demo展示   

   Demo代码   

   输出结果   

---

本文讲解，在matlab工具箱中设置BP神经网络的初始权重。

    01.问题   

---

在使用matlab工具箱训练BP神经网络时，
往往我们希望，
能使用自己的初始值进行训练，而不是工具箱自带的初始值。
那么，我们要怎么实现呢？

---

    02. 思路   

---

其实只需要在初始化好BP神经网络，
先修改网络的权重，
然后再训练就可以了。

---

 ✍️网络的权重怎么修改？
 网络的权重存放在net.iw、net.b、net.lw里。
我们要修改的就是这三个变量。
其中，net.iw存放着输入层到第一层的权重 ，
net.b则存放着每层的阈值， 
net.lw是每层的权重。

---

     03. Demo展示   

---

下面我们展示一个Demo，

在Demo里，我们先给网络设置自己的权重，然后训练一步，

可以看到，最终的权重就是根据我们设置的初始值进行调整的。

    Demo代码   

---

已在matlab2018a亲测跑通

% ================== 说明 ==============================================
% 本代码来自bp.bbbdata.com
 
%用于训练的数据
X = linspace(-3,3,100);   
y = 10*sin(X);   
 
%初始化网络(这时的网络权重是matlab自带的初始化值)
net = newff(X,y,3,{'tansig','purelin'},'trainlm');
 
% 设置自己想要的权重的初始值
disp('-------- 自设的网络初始权重 ---------------')
init_w21 =[100,100,100]'
init_b2  =[2,2,2]'
init_w32 =[3,3,3]
init_b3  = 4
 
% 将初始值赋给网络
net.iw{1,1} = init_w21 ;               % 第1层（输入层）到第2层（隐层）的权值
net.b{1}    = init_b2  ;               % 第2层（隐层）的阈值
net.lw{2,1} = init_w32 ;               % 第2层（输入层）到第3层（输出层）的权值
net.b{2}    = init_b3  ;               % 第3层（输出层）的阈值
 
 
% 训练网络,这里我们设置只训练一步
net.trainparam.goal   = 0.00001;  % 设置训练误差目标
net.trainparam.epochs = 1;        % 设置最大训练次数.
[net,tr,net_y] = train(net,X,y);  % 训练
 
% 训练完成后，可以看到，最终的权重值，与我们预设的初始差不多，因为我们只训练了一步。
disp('-------- 网络训练后的权重 ---------------')
w21  =  net.iw{1,1}               % 第1层（输入层）到第2层（隐层）的权值
b2   =  net.b{1}                  % 第2层（隐层）的阈值
						          
w32  =  net.lw{2,1}               % 第2层（输入层）到第3层（输出层）的权值
b3   =  net.b{2}                  % 第3层（输出层）的阈值

---

   输出结果   

---

-------- 自设的网络初始权重 ---------------
 
init_w21 =
 
   100
   100
   100
 
 
init_b2 =
 
     2
     2
     2
 
init_w32 =
 
     3     3     3
 
init_b3 =
 
     4
 
-------- 网络训练后的权重 ---------------
 
w21 =
 
   99.1931
   99.1931
   99.1931
 
 
b2 =
 
    1.8573
    1.8573
    1.8573
 
w32 =
 
    0.2169    0.2169    0.2169
 
b3 =
 
    0.0040

---

👉可以看到，网络的最终输出与我们的设置的初始值很相近，

说明网络的确是使用了我们的初始值进行训练的。

---

相关文章

​《BP神经网络梯度推导》

​​​​​​《BP神经网络提取的数学表达式》

《一个BP的完整建模流程》