为什么我们在神经网络中使用双极数据表示。例如-0.5和0.5代替0和1或-1和1代替0和1.如本文http://www.codeproject.com/Articles/11285/Neural-Network-OCR?fid=206868&df=90&mpp=25&noise=3&prof=True&sort=Position&view=Normal&spc=Relaxed&fr=26#xx0xx
答案 0 :(得分：0)
您的问题是有动力的，我猜测，来自您的参考声明：
但是，在许多神经网络训练任务中，它更受欢迎 代表所谓的＆＃34;双极＆＃34;中的训练模式。方式，放入 输入向量＆＃34; 0.5＆＃34;而不是＆＃34; 1＆＃34;和＆＃34; -0.5＆＃34;而不是＆＃34; 0＆＃34;。
使用＆＃39;双极＆＃39;有两个注意事项。缩放：
a）双极范围的一般选择通常由输入分布为guassian或相似的情况下神经网络使用的传递函数确定。大多数值都围绕某些均值，只有相对较少的异常值。例如，如果对节点使用逻辑函数（output = [0，+ 1]），则可以在[0，+ 1]之间缩放输入。同样，如果使用tanh函数（output = [-1，+ 1]），那么您将类似地缩放输入。假设您的输入是连续的。
b）由于学习的方式，范围进一步完善。 NN学习通常使用传递函数的导数，并且最佳学习发生在输入变化的导数的最大变化即。最陡峭的部分传递函数。在传递函数的任何一个极端处，曲线变平，导数很小，因此学习是最小/慢的。为了避免这些区域，如果您确定输入的值范围，则将它们缩放以使它们位于传递函数的陡峭部分的范围内，通常对tanh（）说[-0.8，+ 0.8] ，但在你的参考文献[-0.5，+ 0.5]中为＆＃39; BipolarSigmoidFunction＆＃39;。
TL; DR - 双极的选择由传递函数确定（您的参考使用＆＃39; BipolarSigmoidFunction＆＃39;），双极值是任意的，但以传递函数曲线的最陡部分为中心。