这篇博客探讨了反向传播在神经网络中的应用，详细介绍了如何计算输出层和隐藏层的误差，并进行权重更新以优化模型。此外，还讨论了过度拟合问题，提出Dropout作为解决方案来提升测试集上的性能。同时，提到了Adma优化算法以及正则化技术在防止过拟合中的作用。
Backpropagation反向传播
Gradient descent梯度下降
反向传播的实现细节如下：
- 计算输出层各个节点的误差
- 更新输出层的权重。
- 将输出层的误差传递给隐藏层
4.更新隐藏层的权重
Overfiting 训练集上效果好 测试集上效果不好
Dropout方法提测试集效果，暂时丢弃一些来解决过拟合问题。
Adma
Regularization
Regularization：在现有Features不变情况下，降低部分不重要Features的影响力。这个方法有助于有很多Features且每个Features都有贡献的Neural Network避免Overfitting。
效果不显著
Modularization
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
