『壹』 研究人工神經網路的權值分布有什麼意義
神經網路一般都是非常龐大的，每個邊對應一個權值，如果權值不共享的話，數據量就更大了，但是為了提高效率，引入了權值共享，但是還不夠，想再次提高效率和精確度，進行主成分分析，把一些重要的權重保留，不重要的舍棄，你這個權值分布就很有意義了，比如權重是5的權值在概率上佔到了百分之95，或者說主成分分析的結果前2類權重就占據了百分之80，那麼剩下的權值就可以省略，當然這都是理論上的
『貳』 哪些神經網路結構會發生權重共享
說的確定應該就是訓練方法吧，神經網路的權值不是人工給定的。而是用訓練集（包括輸入和輸出）訓練，用訓練集訓練一遍稱為一個epoch，一般要許多epoch才行，目的是使得目標與訓練結果的誤差(一般採用均方誤差）小到一個給定的閾值。以上所說是有監督的學習方法，還有無監督的學習方法。
『叄』 卷積神經網路演算法是什麼
一維構築、二維構築、全卷積構築。
卷積神經網路（Convolutional Neural Networks, CNN）是一類包含卷積計算且具有深度結構的前饋神經網路（Feedforward Neural Networks），是深度學習（deep learning）的代表演算法之一。
卷積神經網路具有表徵學習（representation learning）能力，能夠按其階層結構對輸入信息進行平移不變分類（shift-invariant classification），因此也被稱為「平移不變人工神經網路（Shift-Invariant Artificial Neural Networks, SIANN）」。
卷積神經網路的連接性：
卷積神經網路中卷積層間的連接被稱為稀疏連接（sparse connection），即相比於前饋神經網路中的全連接，卷積層中的神經元僅與其相鄰層的部分，而非全部神經元相連。具體地，卷積神經網路第l層特徵圖中的任意一個像素（神經元）都僅是l-1層中卷積核所定義的感受野內的像素的線性組合。
卷積神經網路的稀疏連接具有正則化的效果，提高了網路結構的穩定性和泛化能力，避免過度擬合，同時，稀疏連接減少了權重參數的總量，有利於神經網路的快速學習，和在計算時減少內存開銷。
卷積神經網路中特徵圖同一通道內的所有像素共享一組卷積核權重系數，該性質被稱為權重共享（weight sharing）。權重共享將卷積神經網路和其它包含局部連接結構的神經網路相區分，後者雖然使用了稀疏連接，但不同連接的權重是不同的。權重共享和稀疏連接一樣，減少了卷積神經網路的參數總量，並具有正則化的效果。
在全連接網路視角下，卷積神經網路的稀疏連接和權重共享可以被視為兩個無限強的先驗（pirior），即一個隱含層神經元在其感受野之外的所有權重系數恆為0（但感受野可以在空間移動）；且在一個通道內，所有神經元的權重系數相同。
『肆』 共享資源會不會影響到計算機網路的性能及安全性
對於網路計算機而言共享資源會使計算機安全性降低所以在使用計算機的時候要注意個人的隱私不會被泄露由此可以在一定程度上避免不法分子將用戶的信息盜用另外計算機網路運行的時候還是存在風險性為了保證網路的安全運行就要對可能發生的風險事故及時預防
『伍』 如何理解人工智慧神經網路中的權值共享問題
權值(權重)共享這個詞是由LeNet5模型提出來的。以CNN為例，在對一張圖偏進行卷積的過程中，使用的是同一個卷積核的參數。比如一個3×3×1的卷積核，這個卷積核內9個的參數被整張圖共享，而不會因為圖像內位置的不同而改變卷積核內的權系數。說的再直白一些，就是用一個卷積核不改變其內權系數的情況下卷積處理整張圖片(當然CNN中每一層不會只有一個卷積核的，這樣說只是為了方便解釋而已)。
『陸』 BP神經網路中,如何設定神經元的初始連接權重以及閥值
初始連接權重關繫到網路訓練速度的快慢以及收斂速率，在基本的神經網路中，這個權重是隨機設定的。在網路訓練的過程中沿著誤差減小的方向不斷進行調整。針對這個權重的隨機性不確定的缺點，有人提出了用遺傳演算法初始化BP的初始權重和閾值的想法，提出了遺傳神經網路模型，並且有人預言下一代的神經網路將會是遺傳神經網路。希望對你有所幫助。你可以查看這方面的文獻
『柒』 matlab神經網路求權重
1. 上面寫的好像是6個指標
2. 給一個簡單的函數擬合代碼吧。你不說更多的要求我也不能更細化了。
clearall;closeall;
x=[123456789;123212112;...
133455542;211221221;...
111222231;121221211];
t=[133455542];
net=feedforwardnet(10);%隱層節點數
net=configure(net,x,t);
net.divideParam.trainRatio=0.7;
net.divideParam.valRatio=0.15;
net.divideParam.testRatio=0.15;
net=train(net,x,t);
y2=net(x);
x_axis=1:length(t);
plot(x_axis,t,x_axis,y2)
legendtargetprediction
『捌』 神經網路已知輸入輸出，怎麼獲得輸入對輸出的權重 –
每個權重都在連接節點的內部一般都是xxx{y}.weights
『玖』 准則層對於目標的權重如何量化
計算誤差再用該梯度更新特定網路層參數。
1、對網路的權重進行隨機初始化。
2、對網路做前向計算，即將輸入數據經過卷積、Batchnorm，Scale、激活函數、池化等層後，得到網路的輸出值。
3、計算網路的輸出值與期望的目標值之間的誤差。
4、當誤差大於期望值時，將誤差反傳回網路中，依次求得池化、激活函數、Scale，Batchnorm、卷積等網路層的誤差。
5、根據各層誤差對各網路層的梯度進行計算，再由該梯度去更新特定網路層的參數。
6、重復步驟2到步驟5，反復循環迭代直到網路收斂到期望的目標為止。