本文介绍了深度神经网络的基础知识，包括模型结构、训练过程、验证方法和误差反向传播。深度学习模型由算法和权重组成，通过训练数据集进行训练，并使用新的数据集进行验证。在训练过程中，采用交叉熵损失计算误差，并通过反向传播优化权重，经过多次迭代以提升模型性能。同时，文章提到了验证集和测试集在模型优化中的作用，以及训练参数如学习率的调整对模型效果的影响。
本文仅为学习记录摘要，详细见
https://maixpy.sipeed.com/zh/course/ai/basic/dnn_basic.html
模型=算法+权重
训练:训练数据集带入模型
验证:新数据集的带入模型（已经使用了模型，推理）
深度神经网络，“深度”意思多层网络结构，能够更好的表达图像数据，它包含了输入层，隐藏层和输出层
隐藏层:权重，偏置，非线性
计算误差:交叉熵损失error=-lg（输出）
误差的反向传播，参数优化（权重更新）
多次迭代
验证集，测试集
优化训练:多次迭代次数，不同工程的权重，训练的学习率
扫一扫
2195
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
