A. 神经网络权值怎么确定
神经网络的权值确定是一个关键问题，它直接影响到神经网络的学习能力和泛化能力。在训练过程中，权值的初始设定至关重要。对于MATLAB等工具，通常建议使用其内置的函数自动生成权值，这样可以避免人为设定可能带来的偏差。若需手动设定，可以通过赋值语句进行调整，如net.IW{}=；net.bias{}=。
在设定权值时，通常需要考虑输入数据的归一化处理，使权值和偏置值处于0到1的范围内。这样的设定有助于神经网络在训练过程中更好地学习有用的信息。权值确定的目标是确保在训练过程中，网络不会陷入参数梯度为零的陷阱。
在参数初始化时，需要满足两个条件：首先，确保激活函数不会饱和，避免输入值过大或过小导致饱和现象；其次，确保激活层输出不为零，以避免下一层的输入为零，从而导致梯度为零。这两个条件的满足有助于提高神经网络的训练效果。
神经网络与权值之间的关系至关重要。在训练过程中，需要选择合适的神经网络框架，并通过学习权值参数来实现特定任务。在某些研究中，研究人员构建了一个预先设定好的神经网络架构，通过随机初始化权值来完成任务，这表明不需要进行参数学习也可以实现特定任务。
这种无需学习权重的神经网络架构在强化学习和监督学习中表现良好。研究人员发现，这种架构相当于引入了一个强归纳偏置，使整个架构能够直接解决特定问题。通过这种方式，可以降低模型方差，提高模型的泛化能力。
此外，研究人员还提出了一种从小架构到大架构搜索的方法，逐步缩小架构规模，使其仅包含最优解。这样，随机化的权值也能解决实际问题。这种方法的有效性取决于架构能否准确包围最优解。