昨天一波超额完成任务。直接看完了第四章的内容,神经网络可以拟合任何函数的数学证明(还真挺好看的),今天争取进入深度学习阶段,顺便看看反向传播算法。
知识点1:深度学习的难点
深度学习的难点在于梯度不稳定。这种不稳定会导致前面的隐层和后面的隐层训练速度差异很大。
知识点2:梯度消失
梯度消失指的是前面的隐层梯度迅速减小的情况。
这种情况源于梯度的数学公式:
这个函数看似很复杂,实际上就是一个很清晰的,微小变量逐层传递到输出层的问题。
而在公式比较靠前的部分,权重项会很小(没看懂为什么会很小)
然后就会导致项多的层(也就是比较靠前的层)梯度极小。
同理,梯度激增问题就是前几项过大。
知识点3:更加复杂的网络中的梯度公式
公式如下:
这个公式的本质与之前的公式相同,就是一个结果的微小扰动逐层加权反向传播到某个神经元的过程。只是用矩阵形式表示,这样方便表达多个神经元多隐层的情况。