吴恩达深度学习（笔记+作业）·第二课·第一周 深度学习的实用层面

目录

一、训练集train / 验证集dev(val) / 测试集test

 二、偏差 / 方差

 三、正则化（解决高方差）（L2正则化）

四、正则化如何预防过拟合

 五、Dropout正则化（最常用：inverted dropout）

 六、其他正则化方法

七、归一化/标准化：代价函数优化更快捷

 八、梯度消失 / 梯度爆炸

 九、权重初始化

 十、梯度检验（检验反向传播的bug）

 作业

初始化参数

正则化

Dropout​

梯度校验

---

内容涉及：超参数调优、如何构建数据、如何确保算法快速运行

一、训练集train / 验证集dev(val) / 测试集test

数据量越大，验证集和测试集的比重越小（30%(100-1000-10000) ----- >1%(1000000) ）

 

 二、偏差 / 方差

 

 

 三、正则化（解决高方差）（L2正则化）

 

 

 

 

 相当于 ： 权重指标×一个小于1的系数

 

四、正则化如何预防过拟合

 对于这个弹幕：我理解的意思是，上一节ppt里面不是给出公式了嘛🐎之前说到，如果损失（代价）函数下降了后又回升，可能是学习率设置的太大了，导致会使得w变成负的那边去，比如这个时候，加入了正则化这项，你看看公式，会发现w的更新更加缓和，会减小这一项的影响

 

 五、Dropout正则化（最常用：inverted dropout）

 

 

 

 

关于这个ppt：其实我感觉这里老师的讲法有点不妥，应该把a3的值给固定比较好，d3的赋值的0-1矩阵其实是和a3的元素相对应的，但是用random那么就不是相对应的

 

 

 

 

 

 

 

 

 六、其他正则化方法

 

 

七、归一化/标准化：代价函数优化更快捷

 

 

 现在多用标准化！

 

 八、梯度消失 / 梯度爆炸

 导数或坡度有时  非常非常大  或  非常非常小

  

 我突然想到：残差网络是不是可以解决这个问题

 

 

 九、权重初始化

 

 十、梯度检验（检验反向传播的bug）

 梯度逼近：双边误差公式的结果更加准确

 

 

 

 实施梯度检验的一些技巧：

 

  + 一条：

 

 作业

 

 按照第8题的意思，当 保留60%的效果没有保留50%的效果好，我查阅了一下资料：

 编程：

初始化参数

 

 

效果特别好！！！

正则化

 

 

 

Dropout

 

梯度校验