深度学习——神经网络

为了用向量表示这些像素矩阵,我们将把这些矩阵中的像素值展开为一个向量x作为算法的输入

1.vectorlzation向量化

速度快

Whenever possible, avoid explicit for-loops   尽量少使用for循环,使用numpy的内置函数来避免for循环

逻辑回归的向量化实现(Vectorizing Logistic Regression)

通过向量化同时实现所有训练样本的前向传播,同时计算出整个训练集的激活值

Z=np.dot(w,T,X)+b

使用向量化计算全部m个训练样本的梯度

Python的广播机制

2.神经网络 

二分类问题

权重参数一般*0.01

矩阵维数

3.优化

学习率确定,看损失函数是不是下降并且接近一个小值

数据量小于100万时按照   60%  20%  20%分配训练集,验证集,测试集 

数据在100万左右时按照   98%  1%  1%

数据量更大时按照   99.5%   0.25%  0.25%

确保开发集和测试集中的数据分布相同,有的是爬取的数据,有的是网上的高质量图片

训练集表现很好,验证集错误较多    高方差

效果都不好   高偏差(过拟合)

效果都不好但验证集更差   高偏差  高方差

高偏差(训练集不能良好拟合)------>选一个新的网络或延长训练时间或换算法

高方差(泛化能力)------>更多的数据以及正则化

dropout 

每个结点有多少的概率被丢弃,按照随机的编码决定这些节点的去留

这个表达式表示这个随机数有0.8的几率取值为1或为真(True)20%或0.2的几率取值为非(False)或0

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值