神经网络解决过拟合问题

1.惩罚性成本函数

            惩罚性成本函数是在损失函数上加一个惩罚项,如下图所示,下图中加了一个权重的平方和,如果该系数很大,在训练过程中要得到最小损失,就必须要某些权重很小或者接近于0,所以可以达到减少网络的复杂度。

2.dropout

               dropout就是指在神经网络训练过程中随机对于某些权重不更新,有助于防止网络对某条路径过度依赖

3. Early stopping

                 在10个epoch过后测试一次对于测试样本的反应,然后再继续训练

4.动量

                加一个动量项有可能跳过局部最小值

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    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 2
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