18-Learning Deep ResNet Blocks Sequentially using Boosting Theory

本文介绍了一种基于Boosting理论的深度残差神经网络训练方法,逐层提升网络性能,并提供了理论证明其误差指数级减小和抗过拟合。通过Telescoping Sum Boosting,实现内存和计算效率的提升,允许动态确定网络层数。
摘要由CSDN通过智能技术生成
  • 文章指出一种基于 boosting(提升)原理,逐层训练深度残差神经网络的方法,并对性能及泛化能力给出了理论上的证明
  • 参考

方法

  • 框架

在这里插入图片描述

  • 残差网络:

    g t + 1 ( x ) = f ( g t ( x ) ) + g t ( x ) g_{t+1}(x)=f(g_{t}(x))+g_{t}(x) gt+1(x)=f(gt(x))+gt

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