- 博客(3)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 神经网络学习笔记
解决浅层全连接网络拟合效果不好、权值过多的问题：信息分层处理，每一层在上层提取特征的基础上获取进行再处理，得到更高级别的特征。填充（Padding），也就是在矩阵的边界上填充一些值，以增加矩阵的大小，通常用0或者复制边界像素来进行填充。注意，图像卷积时，根据定义，需要首先把卷积核上下左右转置。此处卷积核（黄色）是对称的，所以忽视。链接权过多，算的慢，难收敛，同时可能进入局部极小值，也容易产生过拟合问题，例如。减少权值连接，每一个节点只连到上一层的少数神经元，即局部连接。为解决算的慢的问题，
2024-04-09 15:01:30
153
原创 线性回归与BP神经网络
具体来说，对于目标函数J(θ)，在每次迭代中，梯度下降算法通过计算代价函数对参数的偏导数，找到使代价函数下降最快的方向，即梯度的反方向。在每一次迭代中，根据当前模型参数的梯度方向，调整模型参数的取值，直到误差平方和最小。多层前馈网络的反向传播 （BP）学习算法，简称BP算法，是有导师的学习，它是梯度下降法在多层前馈网中的应用。网络结构：见图，𝐮（或𝐱 ）、𝐲是网络的输入、输出向量，神经元用节点表示，网络由输入层、隐层和输出层节点组成，隐层可一层也可多层（图中是单隐层），前层至后层节点通过权联接。
2024-04-01 11:12:31
357
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人