1樓：ivy zheng
1、偏移量是分割面不可缺少的組成部分。w1x1 + w2x2 + ...這個，就是用來分割不同類別的超平面，你考慮只有乙個x1的情況（二維），這時候y=w1x1是通過原點的直線，你當然不能指望所有分類面都是通過原點的，因此加個偏移量b，這樣直線的位置是任意的了。
多元的情況也是如此，顯然不能要求分割面都通過原點，因此加偏移量b。
2、一組w只對應乙個b，就像三維下你不會寫兩個常數，截距就是乙個。但有多組w就會對應多個b，一組w對應乙個b。比如你的輸出(output)是20個通道，就會有20組w，每組w都有乙個b。
3、不清楚你說的閾值指的是什麼，神經網路中能稱為閾值的東西太多了，但b顯然不是閾值。如果指的是啟用函式的啟用值，那麼就相當於ReLU中max的0這個值，這個的作用是低於這個值的資料就無效了，我們忽略它，不產生任何有用的刺激，僅此而已。現在的神經網路好像不太用這個閾值了，基本就是ReLU或者PReLU啟用函式。
關於神經網路和tensorflow概念上的疑問，還請不吝賜教？
lens 1，關於機器學習的理解。比如讓你區分老虎和貓，以前的方法是電腦收集體重，超過100斤的是老虎，低於就是貓，這裡有三個東西輸入資料體重，判斷原則，輸出答案，機器學習是針對判斷原則來說的，有機器在例子中自己學到判斷原則，而不是由人寫出來。怎麼讓機器自己找到判斷原則呢？矩陣或者你說的權重可以模擬...
神經網路中的歸一化除了減少計算量，還有什麼作用？
Nango 明楠 梯度下降時，讓模型收斂到正確的地方，而在不同量綱下梯度更新方向被帶偏。並且歸一化到合理範圍有利於模型泛化性 不會訓飛 但是歸一化後的範圍太小就又會削弱表徵能力。夜蘭 機器學習之歸一化 Normalization 鄭小柒是西索啊 1 歸一化之後的資料，能夠減少計算複雜度，加快收斂 2...
神經網路中訓練和推理有什麼區別？
tohnee 1.推斷 Inference 的網路權值已經固定下來，無後向傳播過程，因此可以 模型固定，可以對計算圖進行優化，還可以輸入輸出大小固定，可以做memory優化 注意 有乙個概念是fine tuning，即訓練好的模型繼續調優，只是在已有的模型做小的改動，本質上仍然是訓練 Trainin...