本文介绍了使用 TensorFlow 框架进行神经网络训练的关键方面，包括反向传播、随机梯度下降、学习率衰减、dropout 技术以及最大池化和 LSTM 在减少过拟合和提升模型性能中的应用。
在本章中，我们将了解可以使用 TensorFlow 框架实现的神经网络训练的各个方面。
以下是可以评估的十个建议 −
反向传播（Back Propagation）
反向传播是计算偏导数的简单方法，包括适用于神经网络的基本组合形式。
随机梯度下降（Stochastic Gradient Descent）
在随机梯度下降中，一个批次（batch）是用户在单次迭代中用来计算梯度的示例的总数。到目前为止，假设批次是整个数据集。最佳示例是在谷歌规模上工作；数据集通常包含数十亿甚至数千亿的示例。
Learning Rate Decay
自适应学习率是梯度下降
订阅专栏 解锁全文
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
