-
加入矩陣維度
查看全部 -
輸入->隱含->輸出->結果值
查看全部 -
:=的意思是同步更新
阿爾法是學習速率
查看全部 -
什么是梯度下降？
通過一種漸近式的方式，來調整整個函數(shù)的形態(tài)
在這里決定函數(shù)樣子的就是w和b，當然已經(jīng)確定了激勵函數(shù)的情況下
找到一個適合的w和b值：先正向計算一個y值，此時w和b是初始值，此y值和真實的y值會有差異，差異通過損失函數(shù)反饋出來，然后通過損失函數(shù)對w和b進行求導，可以得出損失函數(shù)的極小值，在求極小值的過程中調校w和b，在取得的損失函數(shù)極小值時的y值就和真實的y值差異最小。
查看全部 -
全部訓練損失：單次訓練的加和平均化
查看全部 -
學習值與原始值之間的差異性
y^是學習值，y是原始的標準值
查看全部 -
激勵函數(shù)的作用是提供規(guī)?；姆蔷€性化能力。
三種激勵函數(shù)：
Sigmoid。優(yōu)點，整個區(qū)間內可導，缺點，非中心對稱，在值非常大或者非常小時，變化不明顯。
tanh。缺點，在值非常大或者非常小時，變化不明顯。
ReLU。廣泛使用的。
查看全部 -
邏輯回歸是一種最簡化的網(wǎng)絡結構
查看全部 -
節(jié)點，層
和普通函數(shù)相比：
結構的順序性
解決非線性問題，每一個神經(jīng)元，將輸入值進行線性組合，然后轉化為非線性結果
查看全部 -
四大模塊
網(wǎng)絡結構? 激勵函數(shù)
損失函數(shù)? 梯度下降
查看全部 -
神經(jīng)網(wǎng)絡主要功能：
查看全部 -
激勵函數(shù)的作用是提供規(guī)?；姆蔷€性能力
查看全部 -
理解邏輯回歸是一種最簡化的網(wǎng)絡結構
查看全部 -
訓練學習：網(wǎng)絡結構，激勵函數(shù)，損失函數(shù)，梯度下降
查看全部 -
神經(jīng)網(wǎng)絡
主要功能：分類識別 f(x) cat
分類：圖像（自動駕駛），語音（語音助手），文本（新聞推送）
查看全部
舉報