- epochs:当一个完整的数据集通过了神经网络一次并且返回了一次,这个过程称为一个epoch。随着epoch数量增加,神经网络的权重的更新次数也增加,曲线从欠拟合到过拟合。
- batch_size:批量尺寸。batch_size的正确选择是为了在内存效率和内存容量之间寻找最佳平衡。
- batchsize与一次epoch迭代次数的关系是:单次epoch=(全部训练样本/batchsize)/iteration=1。batchsize提高,单次epoch的迭代次数减少。
- 经验总结:相对于正常数据集,如果batch_size过小,训练数据会很难收敛,从而导致underfitting。增大batch_size,相对处理速度加快.
- 一个迭代=一个正向通过+一个反向通过。一个迭代是使用batchsize个样本训练一次。
- 一个epoch=所有训练样本的一个正向传递和一个反向传递。一个epoch是使用所有训练集中的全部样本训练一次。
- 梯度检验
- numpy提供了一个高性能的多维数组(矩阵)对象。一个numpy数组是一些类型相同的元素组成的类矩阵数据。
- 得分函数score function:将原始数据映射到每个类的打分的函数。
- 损失函数loss function:用于量化模型预测结果和实际结果之间吻合度的函数。当得到损失函数后,问题就变成了一个最优化的问题,目标是得到让损失函数取值最小的一组参数。
- N层神经网络,通常不会把输入层计算在内。神经元的个数也不包括输入层的神经元个数。
- 永远不要用减少层数和神经元的方法来缓解过拟合!这样会极大地影响神经网络的表达能力。可以用正则化或其他方法来缓解这个问题。在实际问题中,还是得用多层多神经元的大神经网络,然后使用正则化来
神经网络初学
最新推荐文章于 2024-04-03 16:56:42 发布