深度学习基础（二）：神经网络参数初始化、Batch size和Optimization

最新推荐文章于 2023-05-03 11:43:53 发布

博途慧算

最新推荐文章于 2023-05-03 11:43:53 发布

阅读量598

点赞数

分类专栏：机器学习 # 深度学习基础文章标签：神经网络深度学习人工智能 tensorflow

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/lygeneral/article/details/106733877

版权

1.神经网络初始化初识化神经网络权重www1.1固定方差1）高斯分布E=0E=0E=0，参数分布符合N(0,σ2)N(0,\sigma^2)N(0,σ2)，σ\sigmaσ过小会导致输出神经元过小，经过多层后会慢慢消失，也可能会造成sigmoid函数丢失非线性的能力。2）均匀分布1.2基于方差缩放1）Xavier初始化（Glorot）glorot_uniform，根据每层神经元数量调整参数方差。self.gru = tf.keras.layers.GRU(self.dec_units,

摘要由CSDN通过智能技术生成

1.神经网络初始化

初识化神经网络权重 $w$

1.1固定方差

1）高斯分布

$E$

最低0.47元/天解锁文章

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
深度学习基础（二）：神经网络参数初始化、Batch size和Optimization

1.神经网络初始化初识化神经网络权重www1.1固定方差1）高斯分布E=0E=0E=0，参数分布符合N(0,σ2)N(0,\sigma^2)N(0,σ2)，σ\sigmaσ过小会导致输出神经元过小，经过多层后会慢慢消失，也可能会造成sigmoid函数丢失非线性的能力。2）均匀分布1.2基于方差缩放1）Xavier初始化（Glorot）glorot_uniform，根据每层神经元数量调整参数方差。self.gru = tf.keras.layers.GRU(self.dec_units,
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。