求指導，我用你的代碼運行一個不一樣的東西，結果很失望



import java.util.Random;
public class BpDeep{
    public double[][] layer;//神經網絡各層節點
    public double[][] layerErr;//神經網絡各節點誤差
    public double[][][] layer_weight;//各層節點權重
    public double[][][] layer_weight_delta;//各層節點權重動量
    public double mobp;//動量系數
    public double rate;//學習系數

    public BpDeep(int[] layernum, double rate, double mobp){
        this.mobp = mobp;
        this.rate = rate;
        layer = new double[layernum.length][];
        layerErr = new double[layernum.length][];
        layer_weight = new double[layernum.length][][];
        layer_weight_delta = new double[layernum.length][][];
        Random random = new Random();
        for(int l=0;l<layernum.length;l++){
            layer[l]=new double[layernum[l]];
            layerErr[l]=new double[layernum[l]];
            if(l+1<layernum.length){
                layer_weight[l]=new double[layernum[l]+1][layernum[l+1]];
                layer_weight_delta[l]=new double[layernum[l]+1][layernum[l+1]];
                for(int j=0;j<layernum[l]+1;j++)
                    for(int i=0;i<layernum[l+1];i++)
                        layer_weight[l][j][i]=random.nextDouble();//隨機初始化權重
            }   
        }
    }
    //逐層向前計算輸出
    public double[] computeOut(double[] in){
        for(int l=1;l<layer.length;l++){
            for(int j=0;j<layer[l].length;j++){
                double z=layer_weight[l-1][layer[l-1].length][j];
                for(int i=0;i<layer[l-1].length;i++){
                    layer[l-1][i]=l==1?in[i]:layer[l-1][i];
                    z+=layer_weight[l-1][i][j]*layer[l-1][i];
                }
                layer[l][j]=1/(1+Math.exp(-z));
            }
        }
        return layer[layer.length-1];
    }
    //逐層反向計算誤差并修改權重
    public void updateWeight(double[] tar){
        int l=layer.length-1;
        for(int j=0;j<layerErr[l].length;j++)
            layerErr[l][j]=layer[l][j]*(1-layer[l][j])*(tar[j]-layer[l][j]);

        while(l-->0){
            for(int j=0;j<layerErr[l].length;j++){
                double z = 0.0;
                for(int i=0;i<layerErr[l+1].length;i++){
                    z=z+l>0?layerErr[l+1][i]*layer_weight[l][j][i]:0;
                    layer_weight_delta[l][j][i]= mobp*layer_weight_delta[l][j][i]+rate*layerErr[l+1][i]*layer[l][j];//隱含層動量調整
                    layer_weight[l][j][i]+=layer_weight_delta[l][j][i];//隱含層權重調整
                    if(j==layerErr[l].length-1){
                        layer_weight_delta[l][j+1][i]= mobp*layer_weight_delta[l][j+1][i]+rate*layerErr[l+1][i];//截距動量調整
                        layer_weight[l][j+1][i]+=layer_weight_delta[l][j+1][i];//截距權重調整
                    }
                }
                layerErr[l][j]=z*layer[l][j]*(1-layer[l][j]);//記錄誤差
            }
        }
    }

    public void train(double[] in, double[] tar){
        double[] out = computeOut(in);
        updateWeight(tar);
    }
}




import java.util.Arrays;
public class MyBPtest1{
    public static void main(String[] args){
        //初始化神經網絡的基本配置
        //第一個參數是一個整型數組，表示神經網絡的層數和每層節點數，比如{3,10,10,10,10,2}表示輸入層是3個節點，輸出層是2個節點，中間有4層隱含層，每層10個節點
        /////////第二個參數是學習步長（過小會使收斂速度太慢；過大則會使預測不準，跳過一些細節），
            /////////第三個參數是動量系數（使波動小的預測重新振蕩起來）
        BpDeep bp = new BpDeep(new int[]{5,5,1}, 0.15, 0.9);

        ////////對于輸入樣本如果只有一個數。沒關系，大不了{,}第二項里的data和target全為0,,,,!!!!這理解是錯誤
        ////////因為我們設定了輸入層為2，才會有兩個輸入（{，}，{，}}這樣的東西；同理輸入層也為如此
        ////////所以說如果是5個輸入，一個輸出對于data就{{，，，，}，{，，，，}。。。。。。}；；；；；對于target{，，，，}
        double[][] data = new double[][]{{192,195,194,193,193},
                        {195,194,193,193,195},{194,193,193,195,201},
                        {193,193,195,201,205},{193,195,201,205,205},
                        {195,201,205,205,203},{201,205,205,203,203},
                        {205,205,203,203,202},{205,203,203,202,206},
                        {203,203,202,206,204},{203,202,206,204,204},
                        {202,206,204,204,203},{206,204,204,203,199},
                        {204,204,203,199,195},{204,203,199,195,182},
                        {203,199,195,182,179},{199,195,182,179,178},
                        {195,182,179,178,176},{182,179,178,176,175},
                        {179,178,176,175,173},{178,176,175,173,175},
                        {176,175,173,175,182},{175,173,175,182,183},
                        {173,175,182,183,185},{175,182,183,185,179}};
        //設置目標數據，對應4個坐標數據的分類
        double[][] target = new double[][]{{195},{201},{205},{205},{203},
                        {203},{202},{206},{204},{204},{203},{199},{195},{182},{179},
                        {178},{176},{175},{173},{175},{182},{183},{185},{179},{182}};

        //迭代訓練5000次
        ///////這里我們沒有設置訓練到了某一精確度自動停止，而是實打實的訓練這些次數
        for(int n=0;n<5000;n++)
            for(int i=0;i<data.length;i++)
                bp.train(data[i], target[i]);

        //根據訓練結果來檢驗樣本數據
        for(int j=0;j<data.length;j++){
            double[] result = bp.computeOut(data[j]);
            System.out.println(Arrays.toString(data[j])+":"+Arrays.toString(result));
        }

        //根據訓練結果來預測一條新數據的分類
        double[] x = new double[]{192,195,194,193,193};
        double[] result = bp.computeOut(x);
        System.out.println(Arrays.toString(x)+":"+Arrays.toString(result));
    }
}