Bp神经网络选择激活sigmoid函数。BP神经网络的训练集需要大样本吗？BP神经网络的一般初始权值和阈值是什么？(1)对于深度神经网络，中间隐层的输出必须有激活函数，我们先把“深度前馈网络”这个词拆开来说:深度前馈网络的各层有什么区别？前馈网络的目标是逼近一个函数，近年来，随着深度神经网络技术的发展，越来越多的系统采用HMMDNN技术。
1、百度知道
为了适应训练的需要，否则就会出现错误。1.背景介绍近年来，随着Siri的普及，像Siri、搜狗语音助手等用于语义理解的系统开始大量涌现。语音识别系统作为这类系统的入口，很大程度上决定了这类应用的好坏。没有一个好的语音识别系统作为支撑，再好的助手也只能干瞪眼。同时，随着微信的发展，越来越多的用户反馈，很多场合不方便听语音，需要将语音转换成文字。
在这种情况下，提高现有语音识别系统的准确率是一项迫切的任务。过去主流的语音识别系统都是采用HMMGMM技术。近年来，随着深度神经网络技术的发展，越来越多的系统采用HMMDNN技术。该技术将描述特征排放概率的模型从高斯混合模型(GMM)替换为深度神经网络(DNN)，从而将系统的错误率降低了20%~30%。
2、BP神经网络的训练集需要大样本吗?一般样本个数为多少?
要看用的是什么。只要训练样本的规律性好，越多越好。如果不能满足一致的规律性，那就是有害的。比如拿着文革的资料，是解决文革时期问题的最好办法，却不能用来解决2010年世博会的问题。还有，楼上说了，我们需要留一些样品做检测。如果是分类问题，对于BP网络，我们可以保留10%左右。如果是预测问题，5%应该够了，因为BP的预测能力真的很弱，只适合预测接近训练样本的数据。这也是我自己的理解，呵呵。
3、深度前馈网络
看了西瓜书和李航的统计学习法，对机器学习的基本算法有了初步的了解。虽然机器学习的算法和思想很重要，实践中也有很多应用场景，但深度学习是大数据集性能的最佳工具。不幸的是，像舒华这样的经典著作的中文翻译几乎和机器翻译一样好，所以你只能在阅读时放慢速度。事不宜迟，下面是第六章的学习记录。Deepfeedforwardnetwork，也称为feedforwardneuralnetwork或多层感知器，
前馈网络的目标是逼近一个函数。例如，对于分类器，输入被映射到一个类别。前馈网络定义了一个映射，学习参数值使其能够得到最佳的函数逼近。我们先把“深度前馈网络”这个词拆开来说:深度前馈网络的各层有什么区别？从功能上讲，训练样本直接指示输出层在每个点x必须做什么，它必须产生一个接近y的值。
4、bp神经网络选择激活sigmoid函数,还有tansig函数的优缺点?求告知?
(1)对于深度神经网络，中间隐层的输出必须有激活函数。否则，多个隐藏层的功能与无隐藏层的功能相同。这个激活函数不一定是sigmoid，常见的有sigmoid，tanh，relu等等。(2)对于二元分类问题，输出层是sigmoid函数。这是因为sigmoid函数可以平滑地将实数域映射到空间。函数值可以解释为属于正类的概率(概率范围为0~1)。
0初始权重和偏差一般在01之间。随机选取01之间的一个值作为某个权重或偏差的原因如下:1 .在数据预处理阶段，所有数据将被归一化到01之间，神经网络的输出也是01之间的向量，因此网络节点值也应该在01之间，2.随机初始化的优点是可以有效避免梯度消失或梯度爆炸的问题，增加网络的稳定性。