这篇博客介绍了人工神经网络的基础知识，包括输入层、隐含层和输出层的结构，以及激活函数的使用。讨论了反向传播算法和随机梯度下降算法在训练中的应用，并提出了防止过拟合的正则化和dropout策略。通过实例展示了如何使用Tensorflow和Keras库构建和训练神经网络模型，并分享了环境搭建中遇到的问题及解决注意事项，如CUDA、cuDNN、Tensorflow和Numpy版本的匹配问题。
人工神经网络算法
输入层：输入特征值 隐含层：非线性变化重要过程 输出层：模型输出
输入层的数值范围为：0~1 归一化处理
隐含层可以有一层或者多个隐含层 转换函数[激活函数] : sigmod，ReLu，softplus
输出层 one-hot类型 两个类别[0,1] [1,0] 结果在0到1之间
最终输出值进行softmax转化：所有输出值相加等于1 每个输出值相当于概率
解题法：1，反向传播算法 前向计算——计算误差——反向单层调整(梯度下降法)——传播
达到一定误差，设置相应的迭代次数 停止该算法
2，随机梯度下降算法SGD 优点：收敛快 确定：局部最优点
容易过拟合：正则化，dropout：在每一层选择N个节点 组合为多个神经网络
import panda
最低0.47元/天 解锁文章
扫一扫
986
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
