吳恩達(dá)深度學(xué)習(xí)課程記錄
it is possible to use both L2 regularization and dropout
np.sum
没有指明维度，那么np.sum计算的是整个矩阵的和
### START CODE HERE ### (approx. 1 line)
L2_regularization_cost = np.sum((np.sum(np.square(W1)),np.sum(np.square(W2)),np.sum(np.square(W3))))*lambd/(2*m)L2_regularization_cost 适合于希望超参数少的情况，现在只需要调lambd
如果lambd太大的话，分类就会太“平滑”，导致高偏差.
點(diǎn)擊查看更多內(nèi)容
1人點(diǎn)贊
評(píng)論
評(píng)論
共同學(xué)習(xí)，寫下你的評(píng)論
評(píng)論加載中...
作者其他優(yōu)質(zhì)文章
正在加載中
感謝您的支持，我會(huì)繼續(xù)努力的～
掃碼打賞，你說多少就多少
贊賞金額會(huì)直接到老師賬戶
支付方式
打開微信掃一掃，即可進(jìn)行掃碼打賞哦