Python神经网络编程笔记(三)

本文介绍了Python神经网络中权重更新的关键方法——梯度下降法,详细阐述了在二维和三维空间中如何应用,并讨论了误差函数的选择与计算,包括误差函数的优缺点和计算过程。
摘要由CSDN通过智能技术生成

一、权重更新问题

在之前的章节,我们使用误差来指导如何调整链接权重,这也是线性分类器所做的事。在计算权重时,有人会建议采用暴力方法,但随着网络层、节点和权重的增加,暴力方法会不切实际,因此提出了梯度下降的方法。

(一)“梯度下降”方法

1.二维空间函数

(1)适用场合:

<1>如果函数非常复杂,不能用代数方法轻松找到结果值,可以采用这个方法。

<2>当函数有很多参数,一些其他方法不切实际,或者会得出错误答案,这种方法依然适用。

(2)思想。

以一简单函数为例。

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