N1是输入层，N2是映射层，N3是增强层，L是步长，s是收缩系数，c是正则化系数，这些都是broad learning system的参数，你给出这些参数应该设置为多少的例子

具体的参数设置需要根据具体的应用场景和数据集来确定，以下是一个示例：

输入层：N1 = 1000（假设输入数据有1000个特征）

映射层：N2 = 500（假设映射层有500个神经元）

增强层：N3 = 100（假设增强层有100个神经元）

步长：L = 1（假设每次更新权重的步长为1）

收缩系数：s = 0.1（假设每次更新权重时收缩系数为0.1）

正则化系数：c = 0.001（假设正则化系数为0.001）

需要注意的是，以上参数设置只是一个示例，实际应用中需要根据具体情况进行调整。

相关问题

n1 = n2 = 1 for i in range(3,n+1): n3 = n1+n2 n1 = n2 n2 = n3 return n3

这段代码是一个斐波那契数列的生成函数，它的作用是生成第n-1个斐波那契数。斐波那契数列是指：第一个数为0，第二个数为1，从第三个数开始，每个数都是前两个数之和。因此，这段代码中n1和n2都初始化为1，然后从i=3开始循环，每次将n3赋值为n1和n2的和，再将n1和n2依次更新为上一次的n2和n3。最后返回的n3就是第n-1个斐波那契数。

优化这段代码a,b=eval(input()) n=0 for i in range(a,b+1): n3=i//100 n1=i%10 n2=i//10%10 if i==n1*n1*n1+n2*n2*n2+n3*n3*n3: print(f"{i}") n=n+1 if n==0:print("无水仙花数")

以下是优化后的代码：

a,b=eval(input())
n=0

for i in range(a,b+1):
s = str(i)
res = sum(int(dig)**3 for dig in s)
if res == i:
print(f"{i}")
n += 1

if n == 0:
print("无水仙花数")

这段代码将数字转化成字符串，遍历每个数字，将字符串中的每个数字的三次方加起来，如果和等于原数字，则说明这是水仙花数。