人工智能面试总结-初始化与归一化

啥都生

已于 2022-06-01 11:36:05 修改

阅读量1.4k

点赞数 1

分类专栏：深度学习|机器学习面试总结文章标签：机器学习人工智能面试深度学习神经网络

于 2022-03-05 11:17:13 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/zzh516451964zzh/article/details/123289876

版权

深度学习|机器学习面试总结专栏收录该内容

27 篇文章 983 订阅 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

本文深入探讨了神经网络参数初始化的重要性，解释了全0、等值、随机初始化的优缺点，详细介绍了Xavier和He初始化方法。同时，文章阐述了归一化在防止梯度消失和加速模型训练中的作用，提到了线性归一化、Z-Score标准化和局部响应归一化等技术，并详解了批归一化（BN）的算法流程。

摘要由CSDN通过智能技术生成

在这里插入图片描述
B站：啥都会一点的研究生

公众号试读：啥都会一点的研究生

目录

说说什么是网络参数初始化？
说说为什么需要合理的参数初始化？
说说理想的参数初始化应该是什么？
说说你知道的初始化方法？
说说全0初始化？
说说等值初始化？
说说随机初始化？
说说随机初始化缺陷？
说说Xavier初始化？
说说He初始化？
用公式说明梯度消失与梯度爆炸（手推）？
说说为什么要归一化？
说说为什么归一化能提高最优解的求解速度？
说说归一化的类型？
说说局部响应归一化作用？
说说什么是批归一化？
说说批归一化（BN）算法流程？

说说什么是网络参数初始化？

神经网络在训练时，前向传播和反向传播涉及每个神经元的权重更新 $w_i$

了解本专栏

超级会员免费看

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
打赏
2
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论 2

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

啥都生 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

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。