- 博客(2)
- 资源 (4)
- 收藏
- 关注
转载 正则化方法:L1和L2 regularization、数据集扩增、dropout
转载请注明出处:http://blog.csdn.net/u012162613/article/details/44261657本文是《Neural networks and deep learning》概览 中第三章的一部分,讲机器学习/深度学习算法中常用的正则化方法。(本文会不断补充)正则化方法:防止过拟合,提高泛化能力在训练数据不够多时,或者overtrainin
2017-08-17 10:10:27 459
原创 LSTM超参数调试注意事项
LSTM超参数调试以下是手动优化RNN超参数时需要注意的一些事:小心出现过拟合,这通常是因为神经网络在“死记”定型数据。过拟合意味着定型数据的表现会很好,但网络的模型对于样例以外的预测则完全无用。正则化有好处:正则化的方法包括l1、l2和丢弃法等。保留一个神经网络不作定型的单独测试集。网络越大,功能越强,但也更容易过拟合。不要尝试用10,000个样例来学习一百万个参数 参数 > 样
2017-08-09 17:20:52 34613 1
tensorflow-1.3.0-cp27-cp27mu-linux_aarch64.whl
2017-11-01
tensorflow-1.2.1-cp27-cp27mu-linux_aarch64.whl
2017-11-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人