【神经网络】一些参考的知识整理

本文通过25张图解析了神经网络的常见模型,包括RNN结构中的权连接及其如何随序列推进影响后续隐层。此外,还介绍了CNN在图像处理中的应用、Dropout的实现方法、感受野的概念、BP神经网络的工作原理以及监督学习与非监督学习的区别。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

神经网络构架:

  1. 25张图了解神经网络常用模型
  2. RNN结构:层之间的神经元也建立权连接
    1. 随着序列的不断推进,前面的隐层将会影响后面的隐层。图中O代表输出,y代表样本给出的确定值,L代表损失函数,我们可以看到,“损失“也是随着序列的推荐而不断积累的

神经网络细节:

  1. 理解dropout
  2. Dropout实现(向前传播向后传播)
  3. Receptive field(感受野)
  4. BP神经网络讲解
    1. 利用输出后的误差来估计输出层的直接前导层的误差,并调整连接权值
  5. 监督学习和非监督学习区别
    1. 监督学习:有明确的预期输出;非监督学习:输出完全没有预期

卷积神经网络CNN:

  • 主要用于图像处理和分类
  1. CNN 入门讲解:什么是全连接层(Fully Connected Layer)
  2. 激活函数可以解决的问题和基本函数
  3. CNN中softmax,softmax loss和cross entropy
  4. 理解交叉熵损失(Cross-Entropy)

 

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