我是计算机科学研究生课程的学生。昨天我们进行了关于神经网络的讲座。 我想我了解神经网络中感知器的特定部分，但有一个例外。我已经对感知器的偏见进行了研究，但仍然没有。 到目前为止，我知道，有了偏差，我就可以操纵输入上的总和，并具有权重，以评估总和减去特定偏差是否大于激活函数阈值（如果函数应触发（Sigmoid））。 但是在我教授的演讲幻灯片中，他提到了这样的事情：
将偏差添加到感知器，以避免出现所有输入都存在的问题 可以等于零-没有乘性权重会起作用
我不知道这句话的含义是什么，为什么重要，所有加权输入的总和不能等于零？如果所有输入都等于零，那么应该不会影响下一个隐藏层中的下一个感知，对吗？此外，该感知是反向传播的静态值，并且不会影响感知时更改此权重。 还是我错了？
有人为此提供解决方案吗？ 预先感谢
答案 0 :(得分：0)
偏差本质上是偏移量。
想象一下单个感知器的简单情况，它在输入和输出之间具有关系，例如：
y = 2x + 3
在没有偏差项的情况下，感知器可以匹配“ 2” 的斜率（通常称为权重），这意味着它可以学习：
y = 2x
，但与“ + 3” 部分不匹配。
尽管这是一个简单的示例，但此逻辑通常可扩展到神经网络。神经网络可以捕获非线性函数，但通常需要一个偏移量。
您的教授说的是另一个很好的例子，说明了为什么需要补偿。想象一下，一个感知器的所有输入都是0。感知器的输出是每个输入的总和乘以权重。这意味着将每个权重乘以0，然后相加。因此，结果将始终为0。
但是，如果存在偏差，输出仍然可以保留一个值。