人工智能最基本的考核问题（上）

最新推荐文章于 2024-09-22 20:24:54 发布

置顶

ldq_learning

最新推荐文章于 2024-09-22 20:24:54 发布

阅读量1.2k

点赞数 1

分类专栏：个人总结文章标签：宝典

本文链接：https://blog.csdn.net/ldq_learning/article/details/82595029

版权

本文介绍了深度学习框架TensorFlow中的优化方法，如GradientDescentOptimizer和AdagradOptimizer，以及常用的激活函数relu、sigmoid和tanh。讨论了过拟合现象及其解决方案，包括正则化、调节学习率和数据交叉验证。还探讨了核函数的作用和TensorFlow中的核函数类型，以及朴素贝叶斯方法的优势。最后，阐述了监督学习的基本概念和模型选择的重要性，强调了在实际项目中选择模型时应考虑的因素。

摘要由CSDN通过智能技术生成

1、深度学习框架TensorFlow中都有哪些优化方法？
答：GradientDescentOptimizer
AdagradOptimizer
Optimizer
优化最小代价函数
2、深度学习框架TensorFlow中常见的激活函数都有哪些？
答：relu，sigmoid,tanh
3、深度学习框架TensorFlow中有哪四种常用交叉熵？
答： tf.nn.weighted_cross_entropy_with_logits
tf.nn.sigmoid_cross_entropy_with_logits
tf.nn.softmax_cross_entropy_with_logits
tf.nn.sparse_softmax_cross_entropy_with_logits
4、什么叫过拟合，避免过拟合都有哪些措施？
答：过拟合：就是在机器学习中，我么测试模型的时候，提高了在训练数据集的表现力时候，
但是在训练集上的表现力反而下降了。
解决方案：
1.正则化
2.在训练模型过程中，调节参数。学习率不要太大.
3.对数据进行交叉验证
4.选择适合训练集合测试集数据的百分比，选取合适的停止训练标准，使对机器的训练在合适
5.在神经网络模型中，我们可以减小权重