零作为神经网络输入
Zeros as Neural Network Input
目前我正在尝试创建一个三层神经网络network.When我开始尝试训练 XOR，尽管我想到了这个：
double NewWeight(double oldWeight){
return oldWeight+(MeanSquaredError*input*learningRate);
}
这是根据http://natureofcode.com/book/chapter-10-neural-networks/
计算新权重的公式
首先，如果我的输入为零，无论错误如何，权重都将保持不变。这是使用偏差解决的吗？
其次，神经网络通常有两个以上的输入（例如在 XOR 中）。在那种情况下，您需要添加两个输入吗？或者也许找到具有单独输入的权重的平均值？
如果您建议我使用不同的新权重函数，请不要 post 方程式而不解释其背后的符号。谢谢！
首先，偏差不会改变任何东西。通常，偏差是通过一个额外的输入来实现的，该输入具有常数 1 和一个权重作为偏差。参见 https://en.wikipedia.org/wiki/Perceptron#Definitions。
其次，计算网络中每条边的权重。因此，如果您有两个输入，则计算每个输入的权重。
我会说如果你有 0 作为输入，你就没有信息。没有信息，您无法知道如何更改重量。您的函数对于 back-propagation.
是绝对正确的
目前我正在尝试创建一个三层神经网络network.When我开始尝试训练 XOR，尽管我想到了这个：
double NewWeight(double oldWeight){
return oldWeight+(MeanSquaredError*input*learningRate);
}
这是根据http://natureofcode.com/book/chapter-10-neural-networks/
计算新权重的公式首先，如果我的输入为零，无论错误如何，权重都将保持不变。这是使用偏差解决的吗？
其次，神经网络通常有两个以上的输入（例如在 XOR 中）。在那种情况下，您需要添加两个输入吗？或者也许找到具有单独输入的权重的平均值？
如果您建议我使用不同的新权重函数，请不要 post 方程式而不解释其背后的符号。谢谢！
首先，偏差不会改变任何东西。通常，偏差是通过一个额外的输入来实现的，该输入具有常数 1 和一个权重作为偏差。参见 https://en.wikipedia.org/wiki/Perceptron#Definitions。
其次，计算网络中每条边的权重。因此，如果您有两个输入，则计算每个输入的权重。
我会说如果你有 0 作为输入，你就没有信息。没有信息，您无法知道如何更改重量。您的函数对于 back-propagation.
是绝对正确的